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

节点 n23 在终选来历上

按 PLAN T2EI-09 实现 a 侧空间平滑表达微漂移（kNN 平滑的向混合质心漂移，DRIFT_ALPHA/DRIFT_K）；机制确实运行，但 α 从 0.3 到 1.2 榜分单调下降（cell_state、local_spatial、de_direction 全恶化），代理上证伪，提交态默认 DRIFT_ALPHA=0，输出与父节点 13/11 逐位一致（seed 0/1 h5py 逐数

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 28ab6cef87: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 05cbb15c57。改动的文件：solution/METHOD.md +51 −66、solution/run.py +97 −5

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 8fd0c18..aeb5eba 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,83 +1,68 @@-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）。+按 PLAN T2EI-09 实现 a 侧空间平滑表达微漂移（kNN 平滑的向混合质心漂移，DRIFT_ALPHA/DRIFT_K）；机制确实运行，但 α 从 0.3 到 1.2 榜分单调下降（cell_state、local_spatial、de_direction 全恶化），代理上证伪，提交态默认 DRIFT_ALPHA=0，输出与父节点 13/11 逐位一致（seed 0/1 h5py 逐数组比对 True）。 -## 方法（family T2EI-09，improve over node 11）+## 方法（family T2EI-09，improve over node 13）  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。+κ=0.65 组成阻尼 → b 侧型内中间态偏好选胞（SEL_SIDE=b）→ b 侧 xy 径向膨胀 γ=1.15+→ jitter + 终缩放。单输入退路不变（无括号 → 分层抽最后阶段，无漂移）。 -本节点新增（`SEL_SIDE=both`，默认 `b`）：+本节点新增（`_spatial_drift`，env `DRIFT_ALPHA`=0 默认关，`DRIFT_K`=8）： -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。+1. a 侧被选细胞中，共有型且该型被选 ≥5 细胞者，在双括号 pooled z-scored 面板空间+   计算到混合质心 (1−t)μ_a+tμ_b 的向量 d_i（μ 用该型**全体**括号细胞，与+   `_type_dists` 的 blend 定义一致）；+2. 在对齐后 xy 坐标（z 离散切片不参与）建 cKDTree，取 k=8 空间近邻，+   d_smooth_i = mean(d_j, j∈kNN(i)，含自身；非共有型邻居 d=0）；+3. z_new = z + α·d_smooth，反 z-score 回表达并 clip≥0，**并保留原稀疏支撑**+   （原为 0 的元素仍为 0）；坐标不动。无 RNG，完全确定。 -## 机制证据（mechanism_evidence，A 半，E6.75+E8.0→E7.25，t=0.4）+工程要点（偏离 PLAN 之处，均有记录）：+- PLAN 的 α 网格 {0.04–0.12} 是按未加支撑掩膜的版本标定的。首版反 z-score 把结构零+  填成小正值（nnz 119k→1.33M），α=0.08 即榜分 59.22、cell_state 45.12（−7.7）——+  那是稀疏结构破坏的伪影，不是漂移本身。加支撑掩膜后 α≤0.12 的有效改动仅 ~0.03%+  （面板密度 ~5%），故上探 α∈{0.3, 0.6, 1.2} 使机制真正生效（改动 3%/6%/13%）。 -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。+## 机制证据（mechanism_evidence，A 半，E6.75+E8.0→E7.25，t=0.4） -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）。+- 机制运行：10 个共有型、2642/3700 个 a 侧被选细胞被漂移；到混合质心平均距离+  13.32→13.14（α=0.08，未掩膜版），符合 ~α 比例缩小；+- 平滑生效：相邻细胞漂移向量余弦 0.065 > 0（kNN 平滑非平凡，但邻域间方向相关性弱，+  d_i 由细胞自身噪声主导）；+- α=0 时输出与父节点逐位一致（seed 0/1 验证 True），管线无副作用；+- 四组分：随 α 增大 cell_state、local_spatial、expression_change 全部下降（下表），+  与 PLAN 预期方向相反。  ## 机制对照（mechanism_off_control）与查分全表 -`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）：+off 对照 = `DRIFT_ALPHA=0`（默认），输出与父节点 13/11 逐位一致，A 半 61.14（seed0）/+61.62（seed1），均值 61.38。打开后（seed 0，k=8，掩膜版）： -| 配置 | seed0 | seed1 | 均值 | cell_state | expr_change | shape | local |+| 配置 | 榜分 | cell_state | expr_change | shape | local | neighborhood_mmd | de_direction | |---|---:|---:|---:|---:|---:|---:|---:|-| 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。+| 父/DRIFT_ALPHA=0（**提交**） | **61.14** | 52.84 | 60.50 | 72.18 | 59.03 | 0.05314 | 0.3645 |+| α=0.08（未掩膜，稀疏破坏伪影） | 59.22 | 45.12 | 60.59 | 72.18 | 58.98 | 0.05325 | 0.3685 |+| α=0.3 | 60.94 | 52.52 | 60.37 | 72.18 | 58.69 | 0.05388 | 0.3583 |+| α=0.6 | 60.74 | 52.21 | 60.28 | 72.18 | 58.29 | 0.05476 | 0.3543 | -## 验证过 / 没验证+结论：**机制被证伪**。榜分随 α 单调下降（61.14→60.94→60.74），触发 PLAN 自带的放弃+判据（cell_state 无改善即放弃）。即使坐标完全不动、漂移经空间平滑且幅度温和，把 a 侧+表达连续地推向混合质心也同时恶化 neighborhood_mmd（局部表达—位置耦合）与+de_direction（a 细胞变得"过中间态"，与参考的 a→target DE 方向失配）。这与节点 12+（配对插值 +1.2/−2.0）、节点 13（a 侧换身份 +0.9~1.2/−1.0~−2.2）同型：**在本代理上，+任何把 a 侧表达推向中间态的操作——无论离散换身份还是连续微漂移——都得不偿失**；+中间态偏好只在 b 侧低抽样率（4%）下有效（node 7）。空间平滑没有救回 local_spatial，+因为损失不来自漂移的局部不连续，而来自漂移方向本身（向质心收缩 + 邻域平均抹掉+细胞个性）。 -- 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。+提交态 = `DRIFT_ALPHA=0`（代码默认），预测与父节点 13/11 逐位一致，预期正式分 62.15。+沿用了本树的既定模式：代理证伪后主动回退，不浪费正式评分。 -## 下一步建议+## 验证与未验证 -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。+- 已验证：off 与父逐位一致（seed 0/1）；`vec-check` ok；机制诊断（漂移细胞数、距离+  收缩、邻居余弦）；α 单调性（3 点）；单输入退路不受影响（漂移在 bracket 分支内）。+- 已验证视图无关性：漂移只依赖表达、标签、对齐坐标与 t（时间差），无绝对时间/路径+  分支；KDTree 查询确定，无 RNG。+- 未验证：k∈{5,12}（α 单调劣化使 k 扫描无意义，省查分额度）；α<0.3 的掩膜版+  （改动 <1.5%，必在噪声内）；b 侧漂移（b 侧选胞已实现中间态偏好，再漂移是双重收缩）。+- 生物学知识来源：无新增外部知识；混合质心与共有型判定全部由 view 内两括号数据现场计算。diff --git a/solution/run.py b/solution/run.pyindex 896635c..addcef8 100644--- a/solution/run.py+++ b/solution/run.py@@ -52,6 +52,17 @@ the unbiased one. FALSIFIED on the proxy (2 seeds, A half): cell_state 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.++Change (PLAN T2EI-09, node 23): spatially smoothed a-side expression+micro-drift (env DRIFT_ALPHA, default 0 = off; DRIFT_K=8). Selected a cells of+shared types step alpha toward the blended type centroid (1-t)*mu_a + t*mu_b in+pooled z-space, the drift averaged over xy-kNN so neighbourhoods move+coherently; inverse z-scored with the original sparse support preserved,+coordinates untouched, fully deterministic. FALSIFIED on the proxy (A half,+seed 0): monotone in alpha (0 -> 61.14, 0.3 -> 60.94, 0.6 -> 60.74) with+cell_state, neighborhood_mmd and de_direction all degrading: pushing a-side+expression toward the mid-state hurts even when continuous and spatially+smooth. Submitted default DRIFT_ALPHA=0, bit-identical to node 13/11. """  from __future__ import annotations@@ -87,6 +98,9 @@ SPREAD_WHEN = os.environ.get("SPREAD_WHEN", "pre").strip().lower() SPREAD_SCOPE = os.environ.get("SPREAD_SCOPE", "shared").strip().lower() SPREAD_AXES = os.environ.get("SPREAD_AXES", "xy").strip().lower() SPREAD_MU = os.environ.get("SPREAD_MU", "global").strip().lower()  # type|global|bcloud+DRIFT_ALPHA = float(os.environ.get("DRIFT_ALPHA", "0.0"))+DRIFT_K = int(os.environ.get("DRIFT_K", "8"))+DRIFT_MIN_CELLS = int(os.environ.get("DRIFT_MIN_CELLS", "5"))   def _spread_apply(X: np.ndarray, rows: np.ndarray, mu: np.ndarray, f: float) -> None:@@ -152,7 +166,79 @@ def _zscore_pair(Xa: np.ndarray, Xb: np.ndarray):     both = np.vstack([Xa, Xb]).astype(np.float64)     mu = both.mean(axis=0)     sd = both.std(axis=0) + 1e-8-    return (Xa.astype(np.float64) - mu) / sd, (Xb.astype(np.float64) - mu) / sd+    return (Xa.astype(np.float64) - mu) / sd, (Xb.astype(np.float64) - mu) / sd, mu, sd+++def _spatial_drift(Xa: np.ndarray, Za: np.ndarray, Zb: np.ndarray, la: np.ndarray, lb: np.ndarray,+                   shared: set, ia: np.ndarray, ca: np.ndarray, t: float,+                   zmu: np.ndarray, zsd: np.ndarray, alpha: float, k: int):+    """PLAN T2EI-09b: spatially smoothed micro-drift of a-side expression.++    Each selected a-side cell of a shared type moves a small step alpha toward+    the blended type centroid (1-t)*mu_a + t*mu_b in pooled z-space; the drift+    vector is averaged over the cell's k spatial (xy) nearest neighbours among+    the selected a cells so that local neighbourhoods shift coherently and the+    spatial continuity of expression gradients is preserved. Coordinates are+    untouched. Deterministic (KDTree query, no RNG).+    """+    from scipy.spatial import cKDTree++    lab_sel = la[ia]+    types_cnt: dict = {}+    for tn in lab_sel.tolist():+        types_cnt[tn] = types_cnt.get(tn, 0) + 1+    mu_tgt = {}+    for tname in sorted(shared):+        if types_cnt.get(tname, 0) < DRIFT_MIN_CELLS:+            continue+        rows_a = np.flatnonzero(la == tname)+        rows_b = np.flatnonzero(lb == tname)+        if rows_a.size == 0 or rows_b.size == 0:+            continue+        mu_tgt[tname] = (1.0 - t) * Za[rows_a].mean(axis=0) + t * Zb[rows_b].mean(axis=0)+    if not mu_tgt:+        return Xa, {"drift_types": 0}+    names = list(mu_tgt.keys())+    name_idx = {n: i for i, n in enumerate(names)}+    tid = np.array([name_idx.get(tn, -1) for tn in lab_sel.tolist()])+    mask = tid >= 0+    D = np.zeros((ia.size, Za.shape[1]))+    rows_m = np.flatnonzero(mask)+    D[rows_m] = np.stack([mu_tgt[names[tid[i]]] for i in rows_m]) - Za[ia[rows_m]]++    P = ca[ia][:, :2]+    tree = cKDTree(P)+    kk = int(min(max(k, 1), ia.size))+    _, nbr = tree.query(P, k=kk)+    if nbr.ndim == 1:+        nbr = nbr[:, None]+    Ds = D[nbr].mean(axis=1)+    cos = None+    if rows_m.size > 1:+        nb_m = nbr[rows_m][:, 1:]+        d0 = D[rows_m]+        n0 = np.linalg.norm(d0, axis=1) + 1e-12+        d1 = D[nb_m]+        n1 = np.linalg.norm(d1, axis=2) + 1e-12+        cosv = (d0[:, None, :] * d1).sum(axis=2) / (n0[:, None] * n1)+        cos = float(cosv[np.isfinite(cosv)].mean()) if np.isfinite(cosv).any() else None++    Za_new = Za[ia].copy()+    Za_new[rows_m] += alpha * Ds[rows_m]+    Xa_out = Xa.copy()+    rows_x = ia[rows_m]+    new_x = np.clip(Za_new[rows_m] * zsd + zmu, 0.0, None).astype(Xa.dtype)+    Xa_out[rows_x] = np.where(Xa[rows_x] > 0, new_x, 0.0).astype(Xa.dtype)++    d_before = float(np.linalg.norm(D[rows_m], axis=1).mean())+    resid = np.stack([mu_tgt[names[tid[i]]] for i in rows_m]) - Za_new[rows_m]+    d_after = float(np.linalg.norm(resid, axis=1).mean())+    diag = {+        "drift_types": len(mu_tgt), "drift_cells": int(rows_m.size),+        "drift_d_before": d_before, "drift_d_after": d_after,+        "drift_cos_nbr": cos, "drift_alpha": alpha, "drift_k": kk,+    }+    return Xa_out, diag   def _type_dists(Z: np.ndarray, labels: np.ndarray, Z_other: np.ndarray, labels_other: np.ndarray,@@ -330,8 +416,9 @@ def main() -> None:     la = stage_a.labels.astype(str)     lb = stage_b.labels.astype(str)     shared: set = set(np.unique(la)).intersection(np.unique(lb))-    if SELECTION == "midstate":-        Za, Zb = _zscore_pair(Xa, Xb)+    Za = Zb = zmu = zsd = None+    if SELECTION == "midstate" or DRIFT_ALPHA > 0.0:+        Za, Zb, zmu, zsd = _zscore_pair(Xa, Xb)         if SEL_SIDE in ("both", "a"):             da = _type_dists(Za, la, Zb, lb, shared, 1.0 - t, SEL_TARGET)         if SEL_SIDE in ("both", "b"):@@ -354,6 +441,11 @@ def main() -> None:                 "a_changed_frac": float(np.mean(~np.isin(ia_sel, ia))),             }             ia = ia_sel+    drift_diag = {}+    Xa_out = Xa+    if DRIFT_ALPHA > 0.0 and ia.size and Za is not None:+        Xa_out, drift_diag = _spatial_drift(Xa, Za, Zb, la, lb, shared, ia, ca, t,+                                            zmu, zsd, DRIFT_ALPHA, DRIFT_K)     ib = _select_side(stage_b.labels, n_b, rng, db)      spread_plan = []@@ -377,7 +469,7 @@ def main() -> None:     parts = []     coord_parts = []     if ia.size:-        parts.append(np.clip(Xa[ia], 0.0, None).astype(np.float32))+        parts.append(np.clip(Xa_out[ia], 0.0, None).astype(np.float32))         coord_parts.append(ca[ia])     if ib.size:         parts.append(np.clip(Xb[ib], 0.0, None).astype(np.float32))@@ -410,7 +502,7 @@ 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, "sel_side": SEL_SIDE, **a_diag,+        "spread": spread_diag, "sel_side": SEL_SIDE, **a_diag, **drift_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

**Done.** Node 23 summary:

- **做了什么**：按 PLAN T2EI-09 在父节点 13 上实现 a 侧空间平滑表达微漂移（pooled z 空间向混合质心 (1−t)μ_a+tμ_b 走 α 步，xy-kNN k=8 平滑，坐标不动，保留稀疏支撑，全确定性；`DRIFT_ALPHA`/`DRIFT_K` 开关）。修掉首版反 z-score 填零破坏稀疏结构的 bug（该伪影使 α=0.08 直接掉到 59.22/cell_state 45.12）。
- **查分结果**（A 半 seed0，用了 3/20 次）：α=0（=父）61.14 → α=0.3 60.94 → α=0.6 60.74，单调下降；cell_state、neighborhood_mmd、de_direction 全恶化。机制被证伪——连 a 侧表达推向中间态的操作即使连续+空间平滑也得不偿失，与节点 12/13 教训同型。提交态 `DRIFT_ALPHA=0`，与父节点逐位一致（seed 0/1 h5py 比对 True），`vec-check` ok，预期正式分 62.15。
- **下一步最值得试**：a 侧中间态化已连续三种形式（换身份、配对插值、平滑漂移）被证伪，建议放弃 a 侧表达操作；转向 shape_scale/occupancy（72.5，node 2 曾达 74.4）——如各向异性占据补偿或 b 侧仅坐标幽灵细胞；或重扫 κ×γ 联合网格中未探索的低 κ 高 γ 角。

调研员

```json
{
  "name": "a侧空间平滑微漂移：保持局部耦合的温和表达中间态化",
  "motivation": "cell_state 54.35 是四组中最弱的。父节点13证明a侧选胞（换身份）能提cell_state +0.9~1.2但local_spatial −1.0~2.2（neighborhood_mmd 0.0531→0.0551~0.0558），因为高抽样率(52%)下离散换身份破坏身份-位置耦合。节点12的配对插值同型失败(+1.2/−2.0)。然而cell_state的改善信号是真实的——问题在于离散替换制造了局部表达不连续。若改为连续、空间平滑的微幅漂移，局部梯度结构可保持。",
  "approach": "在父节点11/13提交流程（SEL_SIDE=b, γ=1.15, κ=0.65）的a侧选胞之后、jitter之前，对a侧共有型细胞施加空间平滑表达微漂移：\n1. 计算每个a侧共有型细胞在pooled z-scored空间中到混合质心(1−t)μ_a+tμ_b的向量d_i；\n2. 用对齐后xy坐标建cKDTree，取每细胞k=8个空间近邻；\n3. 平滑：d_smooth_i = mean(d_j for j in kNN(i) ∪ {i})；\n4. 应用：z_new_i = z_old_i + α·d_smooth_i，再反z-score回原始表达；坐标不动。\n参数：α初始0.08，搜索{0.04, 0.06, 0.08, 0.12}；k初始8，搜索{5, 8, 12}。仅作用于两括号共有型且a侧该型≥5细胞。非共有型不碰。\n单输入退路：无括号→无漂移，输出与无括号基线一致。\n快速筛选：先α=0.08/k=8跑seed0查A半，看cell_state与local_spatial方向；若local_spatial降>0.5则降α或增k；若cell_state无改善则放弃。最多6次查分（3配置×2种子）。",
  "expected_groups": ["cell_state"],
  "risks": "1) α过大或k过小→局部表达梯度仍被破坏，local_spatial下降；Engineer应在第一次查分后检查neighborhood_mmd子分，若恶化>5%立即降α。2) 空间平滑过度→所有细胞漂移趋同，表达多样性下降，expression_change受损；监测expression_change。3) 收益<噪声(1分)：若两种子均值cell_state提升<1则不提交。4) z轴离散导致xy近邻可能跨z层：仅用xy建kNN（z不参与距离），与父节点膨胀策略一致。",
  "family_id": "T2EI-09",
  "mechanism": "a侧细胞在表达空间中沿各自到混合质心的方向取一小步（α≈0.08），且漂移向量经空间kNN平均平滑，使局部邻域内细胞同向微移，保持表达梯度的空间连续性。",
  "vs_constant_shift": "每型常数位移对同型所有细胞施加相同向量；本方案的漂移是逐细胞的（取决于每个细胞自身到质心的距离和方向）且经空间近邻平滑（取决于该细胞的物理位置邻居），因此同型内不同位置、不同表达状态的细胞获得不同大小和方向的修正。",
  "mechanism_evidence": "1) 漂移前后a侧细胞到混合质心的平均距离应缩小α比例（如α=0.08→距离降~8%）；2) 空间平滑后相邻细胞漂移向量的余弦相似度应显著>0（证明平滑生效）；3) 四组分中cell_state应升、local_spatial应持平或仅微降（<0.3）；4) 若α=0时输出与父节点逐位一致则证明管线无副作用。",
  "mechanism_off_control": "环境变量DRIFT_ALPHA=0（默认）时跳过整个漂移步骤，输出与父节点13/11逐位一致（可用md5或h5py逐数组比对验证）。预期差别：DRIFT_ALPHA>0时cell_state升、local_spatial持平；若两者均无变化则机制未运行。",
  "sources": []
}
```