总览 · ← 返回运行 20261003-043412-search-t2-embryo-interp-g24-D-s1

节点 n13 在终选来历上

按 PLAN T2EI-09 实现 a 侧（早端括号）中间态选胞（含保空间分层的变体 SEL_A_MODE=spatial）；机制确实运行且 cell_state/expression_change 上升，但 local_spatial 一致下降 ~1.5，两种子均值净负（61.10 vs 父 61.38），故提交态默认关闭（SEL_SIDE=b，输出与父节点 11 逐位一致）。

方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。

来自 programs.git 05cbb15c57:solution/METHOD.md

调研员的计划

代码改动?这个节点的程序和父节点程序的逐行差别：绿色是新增，红色是删除。

对比：父节点版本 24da73d48b。改动的文件：solution/METHOD.md +67 −64、solution/run.py +109 −7

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 986b055..8fd0c18 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,80 +1,83 @@-父节点 mix+κ=0.65+side-b 中间态选胞不变；新增 b 侧坐标占据扩张：被选晚端细胞绕输出云质心做 xy 径向膨胀 γ=1.15（z 不动），补偿组成阻尼的空间占据损失。+按 PLAN T2EI-09 实现 a 侧（早端括号）中间态选胞（含保空间分层的变体 SEL_A_MODE=spatial）；机制确实运行且 cell_state/expression_change 上升，但 local_spatial 一致下降 ~1.5，两种子均值净负（61.10 vs 父 61.38），故提交态默认关闭（SEL_SIDE=b，输出与父节点 11 逐位一致）。 -## 方法（family T2EI-05，improve over node 7）+## 方法（family T2EI-09，improve over node 11） -父流程完全保留：interp_bracket、procrustes3d 对齐、scale_damp=0.5 目标 RMS、-κ=0.65 组成阻尼、side-b 型内中间态偏好选胞（SEL_P=1.0，blend 质心）、-jitter + 终缩放。本节点只在其后加一步**坐标占据扩张**（PLAN T2EI-05）：+父流程完整保留：interp_bracket → procrustes3d 对齐 → scale_damp=0.5 目标 RMS →+κ=0.65 组成阻尼 → **b 侧**型内中间态偏好选胞（blend 质心 (1−t)μ_a+tμ_b，SEL_P=1.0）+→ b 侧全局 xy 径向膨胀 γ=1.15 → jitter + 终缩放。 -- 提交配置：`SPREAD_MU=global, SPREAD_AXES=xy, SPREAD_CAP=1.15`。-  对被选入输出的全部 b 侧（晚端括号）细胞：x' = g + (x − g)·γ，g 为-  a+b 堆叠云（扩张前）的质心，γ=1.15；只作用 xy 两列，z 是离散切片轴-  （30–40 层、间距 10–15），离开切片栅格会直接砸 occupancy。-- 扩张在 jitter 与终缩放（scale_to_rms 到 target_rms）**之前**执行，全局-  RMS 仍精确等于 target（out_rms=149.228=target_rms），表达、细胞数、-  组成、选胞结果均逐位不变——机制只改坐标。-- PLAN 原型（绕各型质心 μ_c、f_c=min(1+α(n_c/k_c−1),cap)、k_c<3 跳过）-  已实现保留（`SPREAD_MU=type`），但在代理上被证伪（见下）。-- 单输入退路：无括号、无 b 侧，扩张自动跳过，与父节点一致。+本节点新增（`SEL_SIDE=both`，默认 `b`）： -## 机制证据（mechanism_evidence）+1. **a 侧中间态选胞（PLAN 原型，`SEL_A_MODE=plain`）**：与 b 侧完全对称——每个共有型内+   按 z-scored 表达空间到混合质心 (1−t)μ_a+tμ_b 的欧氏距离升序取配额内最近的细胞。+2. **保空间分层变体（`SEL_A_MODE=spatial`，本节点新设计）**：先做父节点的无偏均匀抽取+   作为"空间模板"，按 (型, 对齐坐标的分位箱 nbins^3) 分组，每组配额用该组内**距混合质心+   最近**的细胞重填。构造上保持逐型逐区域的占据数与无偏抽样完全相同，只改细胞身份，+   目的是拿到表达收益而不付 occupancy/shape 代价。+3. **RNG 隔离**：a 侧改用 `default_rng([seed,7])`（spatial 模式完全确定性），+   主 rng 仍先执行一次与父节点相同的无偏抽取以消费同样的随机流，因此+   `SEL_SIDE=b` 时 b 侧选胞、膨胀、jitter 与父节点**逐位一致**（h5py 递归逐数组比对 True）。+4. 单输入退路不变：无括号、无选胞、无膨胀。 -- b 侧共有型 n_c/k_c ≈ 24.5 且几乎与型无关（n_b=1300 vs E8.0 31671 细胞，-  比例分配）：α∈{0.15,0.3,0.5} 全部饱和到 cap，α 搜索退化，唯一有效旋钮-  是 cap 本身（f_c≡cap，11 个共有型全部被扩张，无 k_c<3 跳过；实测-  k_c∈{5..227}）。机制确实运行：b 侧细胞到质心平均距离比 = f = 1.15。-- 四组分变化（A 半，seed 0，父 60.74 → 提交 61.14）：-  shape_scale 71.27→72.18（d2_shape 0.0192→0.0123），local_spatial-  58.36→59.03，expression_change 60.50→60.50、cell_state 52.84→52.84-  （坐标机制按设计不碰这两组）。occupancy_dice 0.79→0.772 微降、被-  d2_shape 改善抵消有余。seed 1：61.62（shape 72.28，local 60.00）。-- 与常数位移的区别：绕质心的径向膨胀改变的是 b 侧云的离散度/占据范围，-  不是型均值的平移；每细胞位移与其到质心的偏移成正比，方向各异。+## 机制证据（mechanism_evidence，A 半，E6.75+E8.0→E7.25，t=0.4） -## 机制对照（mechanism_off_control）+机制确实运行、确实改变了细胞身份：a 侧被选细胞到混合质心的平均距离+13.56 → 10.69（spatial nbins=2，34% 的 a 细胞被替换）/ 13.32 → 10.40（plain，48.5% 被替换）；+11 个共有型中 7 个（Allantois、Caudal Epiblast、EXE-Endoderm、ExEM-1/2、HEM-Endoth、+LPM、Primitive Streak、SOM、Unknown、pSE 中距离有限者）参与排序，非共有型（Anterior+Epiblast、EXE-Ectoderm、Gut Endoderm、CP、Blood Progenitor、PHM/PAM、aSE）保持模板不变。 -`SPREAD_ALPHA=0` 关闭扩张：输出与父节点 7 的预测**逐位一致**（本地-h5py 逐数组比对 True），代理 A 半即父分 60.74。打开（γ=1.15）61.14 /-seed1 61.62。机制净贡献：榜分 +0.4（seed0，A 半噪声 ~1 内），shape_scale-+0.91、local_spatial +0.67（方向一致、只落在坐标相关组，符合机制预期）。+四组分变化（seed 0，父 61.14 → spatial nbins=2 → 61.33）：+cell_state 52.84→54.01（+1.17）、expression_change 60.50→61.32（+0.82）——正是 PLAN 预期的两组，+方向一致；shape_scale 72.18→72.02（−0.16）、local_spatial 59.03→57.97（−1.06）。+de_score 0.25→0.2857、de_direction 0.3645→0.3699、variogram 0.01094→0.00993 改善，+但 neighborhood_mmd 0.05314→0.05548 恶化（local_spatial 的损失全部来自它）。 -## 代理查分全表（E6.75+E8.0→E7.25，t=0.4，seed 0，A 半）+## 机制对照（mechanism_off_control）与查分全表 -| 配置 | 榜分 | shape | dice | d2_shape | local |-|---|---:|---:|---:|---:|---:|-| 父 node 7（γ=1） | 60.74 | 71.27 | ~0.79 | ~0.019 | 58.36 |-| type-wise xyz cap1.2 | 59.61 | 66.55 | 0.746 | 0.0251 | 58.54 |-| type-wise xyz cap1.6（PLAN 默认） | 57.01 | 56.17 | 0.639 | 0.0600 | 58.51 |-| type-wise xy cap1.3 | 60.29 | 68.79 | 0.755 | 0.0192 | 59.02 |-| type-wise xy cap1.6 | 58.47 | 61.45 | 0.697 | 0.0385 | 59.06 |-| global xyz γ1.1 | 60.30 | 69.53 | 0.756 | 0.0174 | 58.31 |-| global xy γ1.05 | 61.05 | 71.81 | 0.790 | 0.0157 | 59.06 |-| global xy γ1.1 | 61.15 | 72.18 | 0.783 | 0.0138 | 59.07 |-| **global xy γ1.15（提交）** | **61.14** | **72.18** | 0.772 | 0.0123 | 59.03 |-| global xy γ1.2 | 61.16 | 72.25 | 0.766 | 0.0115 | 59.03 |-| global xy γ1.35 | 60.62 | 70.20 | 0.735 | 0.0134 | 58.93 |-| global xy γ1.5 | 59.52 | 65.88 | 0.685 | 0.0209 | 58.87 |+`SEL_SIDE=b`（关闭 a 侧选胞）输出与父节点 11 **逐位一致**，A 半 61.14（seed0）/ 61.62（seed1），+与父节点记录的 61.14 / 61.62 相同。打开后（两种子）： -结论：PLAN 的型内扩张（绕型质心）单调有害——把细胞撒进参考不占据的体素，-dice 崩；γ 全局膨胀在 1.05–1.2 有平台，取中值 1.15。z 向扩张有害-（xyz vs xy 同 γ 差 ~0.9 分），与方法卡"z 是离散切片"的警告一致。+| 配置 | seed0 | seed1 | 均值 | cell_state | expr_change | shape | local |+|---|---:|---:|---:|---:|---:|---:|---:|+| 父 SEL_SIDE=b（**提交**） | **61.14** | **61.62** | **61.38** | 52.84/53.27 | 60.50/60.93 | 72.18/72.28 | 59.03/60.00 |+| both, plain（PLAN 原型） | 60.97 | – | – | 53.53 | 61.09 | 71.20 | 58.08 |+| both, plain（RNG 隔离） | 60.95 | – | – | 53.79 | 59.70 | 72.31 | 58.00 |+| both, spatial nbins=2 | 61.33 | 60.87 | 61.10 | 54.01/53.40 | 61.32/60.62 | 72.02/71.65 | 57.97/57.83 |+| both, spatial nbins=3 | 61.00 | – | – | 52.84 | 61.21 | 71.80 | 58.16 |+| both, spatial nbins=4 | 60.84 | – | – | 53.08 | 60.41 | 71.74 | 58.12 |++结论：**PLAN 的机制在代理上被证伪**。cell_state 收益（+0.9~+1.2）稳定存在且方向符合预期，+但 local_spatial 一致损失 1.0~2.2（neighborhood_mmd 0.0531→0.0551~0.0558），+两种子均值净 −0.28，落在 T2 噪声（~1）内偏负。分层箱数 2→3→4 单调变差，+说明损失不是"粗箱内远距离换位"造成的（occupancy_dice 反而持平/略升 0.7716→0.7766），+而是把 a 侧细胞的身份换成"更偏晚端"的细胞后，其表达与其空间邻域在参考 E7.25 中的+局部耦合被破坏。这与节点 12 的教训同型（cell_state +1.2 / local −2.0，净负）：+在本代理上 **local_spatial 对"细胞身份—位置耦合"极敏感，任何以牺牲真实配对换取+中间态表达的做法都得不偿失**。对照 b 侧：同样的中间态排序在 b 侧（1300/31671，4% 抽样）+是净收益（node 7：cell_state +4.7 且 local 57.27→60.00），因为 b 侧抽样率低、+选入的是目标时刻的代表性细胞；a 侧抽样率 52%，筛选只能改变既有位置的细胞身份。  ## 验证过 / 没验证 -- 验证：默认输出 = 查分 61.14 的文件逐位一致；seed 0 重跑确定性；-  seed 1 通过 vec-check 且 61.62；SPREAD_ALPHA=0 与父逐位一致；-  vec-check seed 0/1 均 ok；运行 ~2s、内存远低于 28GB。-- 未验证：final 真实括号（E7.25+E8.0→E7.5，t=1/3）上 γ=1.15 的迁移性——-  γ 是常数而非随 n_c/k_c 自适应（κ 固定 0.65，t 变化只改 n_b 总量，-  b/a 占据失衡的方向相同）；B 半与 A 半有 ~1 分噪声。榜分增幅 +0.4-  在噪声内，但改动只影响坐标两组且方向一致（shape +0.9 / local +0.7），-  期望 B 半 rank3 为正。-- 生物学依据（通用知识，不涉禁窗测量）：z 为离散切片栅格（方法卡），-  插值目标的空间占据应介于两括号之间；组成阻尼减少晚端细胞后其占据-  区域欠采样，径向膨胀恢复覆盖而不改变细胞身份。+- 验证：`SEL_SIDE=b` 与父输出逐位一致（seed 0/1）；seed 0/1 确定性重跑一致；+  vec-check seed 0/1 ok；运行 ~2s、峰值内存 <1GB（限制 28GB / 30min）；+  不读绝对时间、不读视图路径/board 字段，只用时间差与 seed（伪装视图无关）。+- 验证：`SEL_SIDE=both/a` 三种模式（plain、spatial nbins=1..4）全部跑通并查分（8 次查询）。+- 未验证：a 侧选胞在真实括号（E7.25+E8.0→E7.5，t=1/3，a 侧抽样率更高）上的表现——+  代理上已净负，未冒险提交；B 半与 A 半有 ~1 分噪声，但两种子方向一致（seed0 +0.19、+  seed1 −0.75），不足以支持提交。+- 生物学依据（通用知识，不涉禁窗测量）：中间态偏好 = 假设目标时刻的细胞群更接近+  两括号型均值的线性混合（谱系连续、无突然出现的新程序）；z 为离散切片栅格（方法卡），+  故所有坐标扰动仍只在 xy。  ## 下一步建议 -γ 与 κ 联调（κ=0.75 side-b 代理 60.54、shape 72.08，配 γ≈1.1 可能更高）；-occupancy_dice 仍是 shape 短板（0.77 vs node2 的 ~0.84），可试按体素占据-缺失方向的非各向同性补偿，或对被丢弃 b 细胞做"占据幽灵"仅参与坐标侧。+1. local_spatial 是 a 侧任何"换身份"操作的硬约束：若还想提 cell_state，必须**同时生成+   新坐标**（例如把 a 侧被替换细胞的坐标也按邻域重排/插值到新位置），保持身份—位置耦合，+   而不是把中间态表达钉在早期位置上。+2. 反向利用本节点的发现：b 侧低抽样率下中间态排序有效、a 侧高抽样率下无效 →+   可试**降低 a 侧抽样率、提高 b 侧**（κ 上调到 0.75~0.85）并把选胞只留在 b 侧，+   同时用 γ 补占据；父节点已提示 κ=0.75 的 shape 更高（72.08）。+3. shape_scale 72.2 / occupancy_dice 0.77 仍是最大余量所在（node 2 的 dice ~0.84）：+   各向同性 γ 已到平台，建议按体素占据缺失方向做非各向同性补偿。diff --git a/solution/run.py b/solution/run.pyindex 759095e..896635c 100644--- a/solution/run.py+++ b/solution/run.py@@ -38,6 +38,20 @@ Mechanism-off control: env SELECTION=uniform disables the midstate ranking; env SPREAD_ALPHA=0 disables the dilation and reproduces the parent bit-for-bit. Single-input fallback: identical to the parent (no bracket, no b side, dilation skipped).++Change (PLAN T2EI-09, node 13): a-side (early bracket) midstate selection,+SEL_SIDE=both. Symmetric to the b side: within each shared type, cells are+ranked by their distance to the blended centroid (1-t)*mu_a + t*mu_b and the+quota is refilled from the closest end. SEL_A_MODE=spatial additionally+preserves the spatial profile of an unbiased draw: the quota of every+(type, quantile-box) group of the uniform template is refilled with the+closest cells of the SAME group, so per-type per-region occupancy is exactly+the unbiased one. FALSIFIED on the proxy (2 seeds, A half): cell_state++0.9..+1.2 and expression_change +0.8 as predicted, but local_spatial+-1.0..-2.2 (neighborhood_mmd 0.0531 -> 0.0551..0.0558) because the a side is+52% sampled, so selection swaps cell identities at fixed positions and breaks+the identity/location coupling the reference has; net -0.28. Submitted+default is therefore SEL_SIDE=b, bit-identical to node 11. """  from __future__ import annotations@@ -61,7 +75,10 @@ SEL_P = float(os.environ.get("SEL_P", "1.0")) SEL_TARGET = os.environ.get("SEL_TARGET", "blend").strip().lower() KAPPA = float(os.environ.get("KAPPA", "0.65")) SEL_C = float(os.environ.get("SEL_C", "0.0"))-SEL_SIDE = os.environ.get("SEL_SIDE", "b").strip().lower()+SEL_SIDE = os.environ.get("SEL_SIDE", "b").strip().lower()  # b|a|both  (both = PLAN T2EI-09, falsified on proxy)+SEL_A_MODE = os.environ.get("SEL_A_MODE", "spatial").strip().lower()  # plain|spatial+SEL_A_BINS = int(os.environ.get("SEL_A_BINS", "2"))+SEL_C_A = float(os.environ.get("SEL_C_A", "0.0")) MIN_RANK_POOL = 5 SPREAD_ALPHA = float(os.environ.get("SPREAD_ALPHA", "0.3")) SPREAD_CAP = float(os.environ.get("SPREAD_CAP", "1.15"))@@ -164,7 +181,10 @@ def _type_dists(Z: np.ndarray, labels: np.ndarray, Z_other: np.ndarray, labels_o     return d  -def _select_side(labels: np.ndarray, k: int, rng: np.random.Generator, d: np.ndarray | None) -> np.ndarray:+def _select_side(labels: np.ndarray, k: int, rng: np.random.Generator, d: np.ndarray | None,+                 sel_p: float | None = None, sel_c: float | None = None) -> np.ndarray:+    sel_p = SEL_P if sel_p is None else float(sel_p)+    sel_c = SEL_C if sel_c is None else float(sel_c)     if k <= 0:         return np.array([], dtype=int)     if k >= len(labels):@@ -181,12 +201,12 @@ def _select_side(labels: np.ndarray, k: int, rng: np.random.Generator, d: np.nda             and idx.size >= MIN_RANK_POOL             and kt < idx.size             and np.isfinite(d[idx]).all()-            and rng.random() < SEL_P+            and rng.random() < sel_p         )         if use_rank:             dd = d[idx]-            if SEL_C > 0.0:-                sigma = SEL_C * float(dd.std()) + 1e-12+            if sel_c > 0.0:+                sigma = sel_c * float(dd.std()) + 1e-12                 key = dd / sigma + rng.gumbel(0.0, 1.0, size=dd.shape[0])             else:                 key = dd@@ -203,6 +223,72 @@ def _select_side(labels: np.ndarray, k: int, rng: np.random.Generator, d: np.nda     return out  +def _select_spatial(labels: np.ndarray, template: np.ndarray, d: np.ndarray,+                    coords: np.ndarray, nbins: int, sel_c: float = 0.0) -> np.ndarray:+    """Midstate-preference selection that preserves the template's spatial profile.++    ``template`` is a uniform (unbiased) draw of the same size, e.g. the parent's+    a-side picks. Cells of the template are grouped by (type, spatial bin), where+    bins are quantile boxes of the aligned cloud over ``nbins`` per axis. Each+    group's quota is then refilled with the cells of the same (type, bin) that are+    closest to the mid-state centroid, so the per-type per-region occupancy of the+    output equals the unbiased draw while the expression profile shifts toward the+    intermediate stage. Groups without a finite distance ranking keep the template.+    """+    lab = labels.astype(str)+    tmpl_lab = lab[template]+    C = np.asarray(coords, dtype=np.float64)+    out = []+    nb = int(max(nbins, 1))+    for tname in np.unique(tmpl_lab):+        rows_t = template[tmpl_lab == tname]+        all_t = np.flatnonzero(lab == tname)+        if nb <= 1 or all_t.size < 2 * MIN_RANK_POOL:+            out.append(_refill(rows_t, all_t, d, None, sel_c))+            continue+        edges = []+        for ax in range(C.shape[1]):+            qs = np.quantile(C[all_t, ax], np.linspace(0.0, 1.0, nb + 1)[1:-1])+            qs = np.unique(qs)+            edges.append(qs)+        bt = _binof(C[rows_t], edges)+        ba = _binof(C[all_t], edges)+        for bv in np.unique(np.concatenate([bt, ba])):+            q_rows = rows_t[bt == bv]+            if q_rows.size == 0:+                continue+            cand = all_t[ba == bv]+            out.append(_refill(q_rows, cand, d, None, sel_c))+    res = np.concatenate(out) if out else np.array([], dtype=int)+    return np.unique(res)+++def _binof(P: np.ndarray, edges) -> np.ndarray:+    code = np.zeros(P.shape[0], dtype=np.int64)+    for ax, e in enumerate(edges):+        code = code * (len(e) + 1) + np.searchsorted(e, P[:, ax], side="right")+    return code+++def _refill(quota_rows: np.ndarray, cand: np.ndarray, d: np.ndarray,+            _unused, sel_c: float) -> np.ndarray:+    """Take len(quota_rows) cells from cand with the smallest mid-state distance."""+    kt = int(quota_rows.size)+    if cand.size <= kt:+        return np.sort(quota_rows)+    dd = d[cand]+    if not np.isfinite(dd).all():+        keep = np.flatnonzero(np.isfinite(dd))+        if keep.size <= kt:+            return np.sort(quota_rows)+        cand, dd = cand[keep], dd[keep]+    if sel_c > 0.0:+        sigma = sel_c * float(dd.std()) + 1e-12+        rs = np.random.RandomState(12345)+        dd = dd / sigma + rs.gumbel(0.0, 1.0, size=dd.shape[0])+    return cand[np.argsort(dd, kind="stable")[:kt]]++ def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)@@ -251,7 +337,23 @@ def main() -> None:         if SEL_SIDE in ("both", "b"):             db = _type_dists(Zb, lb, Za, la, shared, t, SEL_TARGET) -    ia = _select_side(stage_a.labels, n_a, rng, da)+    ia = _select_side(stage_a.labels, n_a, rng, None)  # unbiased draw, same rng stream as parent+    a_diag = {}+    if da is not None and ia.size and n_a < stage_a.n:+        if SEL_A_MODE == "spatial":+            ia_sel = _select_spatial(stage_a.labels, ia, da, ca, SEL_A_BINS, SEL_C_A)+        else:+            rng_a = np.random.default_rng([args.seed, 7])+            ia_sel = _select_side(stage_a.labels, n_a, rng_a, da, SEL_P, SEL_C_A)+        fin = np.isfinite(da[ia]) & np.isfinite(da[ia_sel]) if ia_sel.size == ia.size else np.array([])+        if ia_sel.size == ia.size:+            a_diag = {+                "a_mode": SEL_A_MODE, "a_bins": SEL_A_BINS,+                "a_d_unif": float(np.mean(da[ia][fin])) if fin.size else None,+                "a_d_sel": float(np.mean(da[ia_sel][fin])) if fin.size else None,+                "a_changed_frac": float(np.mean(~np.isin(ia_sel, ia))),+            }+            ia = ia_sel     ib = _select_side(stage_b.labels, n_b, rng, db)      spread_plan = []@@ -308,7 +410,7 @@ def main() -> None:         "spread_alpha": SPREAD_ALPHA, "spread_cap": SPREAD_CAP,         "spread_when": SPREAD_WHEN if SPREAD_ALPHA > 0 else "off",         "spread_scope": SPREAD_SCOPE, "n_spread_types": len(spread_diag),-        "spread": spread_diag,+        "spread": spread_diag, "sel_side": SEL_SIDE, **a_diag,     }, default=float), file=sys.stderr)     write_t2(args.out, expr, coords.astype(np.float32), genes, seed=args.seed) 

调研来源?调研员查到并用到的知识条目和文献检索结果（只列标题和编号）。

用到的知识库条目

分析结果?分析员写的 ANALYSIS.json：改了什么、各组分数怎么变、假设是否成立、经验和下一步建议。

对话摘要?每个角色和大模型对话的统计：轮数、工具调用、用时、token 数和最后的回答摘录；原始记录只给路径。

只给统计和最后回答的摘录；完整对话请到原始记录位置里列出的文件看。

分析员

ANALYSIS.json written

工程师

提交完成。父配置（SEL_SIDE=b）作为默认，与节点 11 逐位一致、vec-check ok、确定性通过。

**做了什么**：按 PLAN T2EI-09 实现 a 侧中间态选胞，含两个变体——`plain`（与 b 侧对称的型内到混合质心排序）和新设计的 `spatial`（先做无偏均匀抽取当空间模板，按 (型, 分位箱) 分组、组内用距混合质心最近的细胞重填配额，构造上保持逐型逐区域占据不变）。加了 RNG 隔离，`SEL_SIDE=b` 时与父输出逐位一致。

**查分结果（A 半，8 次查询）**：机制确实运行——a 侧被选细胞到混合质心平均距离 13.56→10.69（spatial）/13.32→10.40（plain），cell_state +0.9~+1.2、expression_change +0.8（PLAN 预期两组、方向一致）。但 local_spatial 一致下降 1.0~2.2（neighborhood_mmd 0.0531→0.0551~0.0558）。两种子均值：父 61.38 vs spatial 61.10（seed0 +0.19、seed1 −0.75），**净负、机制被证伪**，故默认关闭。分层箱数 2→3→4 单调变差，说明损失不是粗箱换位，而是 a 侧 52% 高抽样率下"换身份不换位置"破坏了身份—位置耦合（与节点 12 同型教训）。

**下一步最值得试**：(1) 降 a 侧抽样率、升 b 侧（κ→0.75~0.85）并把选胞只留 b 侧，配 γ 补占据——b 侧低抽样率下中间态选胞是净收益（node 7 cell_state +4.7），a 侧高抽样率下无效；(2) shape_scale 72.2 / occupancy_dice 0.77 是最大余量（node 2 dice~0.84），各向同性 γ 已到平台，改按体素占据缺失方向做非各向同性补偿。

调研员

```json
{
  "name": "双侧中间态选胞：a侧也按到混合质心距离择优",
  "motivation": "cell_state 54.35 是四组最弱。节点7消融显示中间态选胞在κ=0.65基础上额外贡献+4.7（48.17→52.84），但目前选胞只作用于b侧（SEL_SIDE=b），a侧细胞仍均匀抽取，包含大量远离中间态的早期细胞。目标时刻介于两括号之间，a侧也应优先选已在向中间过渡的细胞。expression_change 61.08 也可能因此受益（选入细胞表达更接近中间态）。",
  "approach": "在父节点11的run.py上扩展SEL_SIDE：新增'both'选项。对a侧（早端括号）每个共有型，同样在z-scored表达空间计算到混合质心(1−t)μ_a+tμ_b的欧氏距离，按距离升序取配额内最近的细胞（与b侧逻辑完全对称）。步骤：(1) 在现有b侧选胞代码旁加a侧分支，SEL_SIDE=both时两侧都执行，SEL_SIDE=b时与父节点逐位一致；(2) a侧SEL_P初始=1.0（确定性），若cell_state不升反降，试0.8（保留20%随机）；(3) 其余参数不变（κ=0.65, γ=1.15, SEL_TARGET=blend, scale_damp=0.5）；(4) 用vec-score查A半分，先跑seed 0，若cell_state提升≥1再跑seed 1确认；(5) 单输入退路：无括号、无选胞，与父节点一致。",
  "expected_groups": ["cell_state", "expression_change"],
  "risks": "a侧过度筛选可能降低型内多样性，反而损害cell_state（若评分器重视分布覆盖而非均值接近）；改善可能落在T2噪声(~1分)内。Engineer应在第一次vec-score后比较cell_state和expression_change是否同向变化；若cell_state下降，立即试SEL_P=0.8或回退SEL_SIDE=b。shape_scale和local_spatial因坐标随细胞走可能微变，需监控不降超1分。",
  "family_id": "T2EI-09",
  "mechanism": "将中间态偏好选胞从仅b侧扩展到双括号：a侧细胞也按到(1−t)μ_a+tμ_b混合质心的z-score距离排序，优先选已在向中间态过渡的细胞，使两侧输出都更代表目标时刻。",
  "vs_constant_shift": "不是对型均值加常数位移或全局重加权；是在每个型内改变被抽中的具体细胞（选择函数），不同细胞因到质心距离不同而被选中或排除，改变的是细胞组成而非坐标或表达的平移。",
  "mechanism_evidence": "Engineer应对比SEL_SIDE=b（父）与SEL_SIDE=both：(1) 统计a侧被选细胞到混合质心的平均距离是否显著低于均匀抽样基线（t检验或排列检验）；(2) 四组分变化应集中在cell_state和expression_change，坐标组（shape_scale, local_spatial）变化应远小于前两组；(3) 若cell_state和expression_change同时提升且方向一致，机制生效。",
  "mechanism_off_control": "env SEL_SIDE=b 关闭a侧选胞，输出应与父节点11逐位一致（本地h5py逐数组比对）。打开（SEL_SIDE=both）后cell_state和expression_change应有变化；若四组分全部不变，说明a侧选胞未实际运行。",
  "sources": []
}
```

审查员

REVIEW.json written