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

节点 n31

按 PLAN T2EI-05 实现逐细胞型 z σ 匹配（TYPE_Z_MATCH，λ∈{1,0.85}）：诊断 r_c 跨型差 0.434（机制非惰性）但代理查分证伪——local_spatial 仅回收 +0.16/+0.18（门槛 ≥+0.3），λ=0.85 另失 shape；提交态 = 父节点 25（TYPE_Z_MATCH=0，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 4733009988:solution/METHOD.md

python run.py --data <view> --out <pred> --seed <s>   # 默认 TYPE_Z_MATCH=0 = 父节点 25 配置，逐位一致

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 57e3463ae3。改动的文件：solution/METHOD.md +45 −28、solution/run.py +50 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 32762f8..2ef7cea 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,43 +1,60 @@-b 侧 xy 各向异性膨胀证伪（两轴比值差仅 2%）；改为整云逐轴 σ 匹配：把输出云 z 轴匹配到括号插值 σ_ref_z（fac≈0.92）再恢复 RMS，膨胀关闭。3 种子 A 半 61.38→61.77，shape +1.6~2.7。+按 PLAN T2EI-05 实现逐细胞型 z σ 匹配（TYPE_Z_MATCH，λ∈{1,0.85}）：诊断 r_c 跨型差 0.434（机制非惰性）但代理查分证伪——local_spatial 仅回收 +0.16/+0.18（门槛 ≥+0.3），λ=0.85 另失 shape；提交态 = 父节点 25（TYPE_Z_MATCH=0，逐位一致）。 -## 方法（family T2EI-05，improve over node 23；提交态 = ANISO_FULL=1, ANISO_AXES=z, ANISO_LAMBDA=1, SPREAD_ALPHA=0）+## 方法（family T2EI-05，improve over node 25；提交态 = 父配置 ANISO_FULL=1, ANISO_AXES=z, ANISO_LAMBDA=1, SPREAD_ALPHA=0, TYPE_Z_MATCH=0） -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（SEL_SIDE=b）→ jitter。-本节点改动（run.py 环境变量开关）：+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（SEL_SIDE=b）→ jitter → 整云 z 轴 σ 匹配（fac≈0.918）→ scale_to_rms。 -1. **PLAN 机制（b 侧逐轴各向异性膨胀，ANISO_BETA）**：γ_axis=clip(1.15·(σ_ref_axis/σ_out_axis)^β, 1, ANISO_CAP)，σ_ref 由对齐后的两括号全云逐轴 std 按 t 线性插值，绕输出云质心只作用于 b 侧被选细胞 xy。已实现并查分，**证伪**（见下）。-2. **提交机制（整云逐轴 σ 匹配，ANISO_FULL/ANISO_AXES/ANISO_LAMBDA）**：jitter 后对整个输出云逐轴 x'←μ+(x−μ)·[1+λ(σ_ref_axis/σ_out_axis−1)]，随后 scale_to_rms 恢复全局 RMS（保持比例结构）。σ_ref 在任何膨胀修改 cb 之前从原始对齐云计算（s_ref_axes），λ=1 为完全匹配。提交只开 z 轴：诊断显示输出云 z 比参考宽 8.8%（早端主导混合、σ_a_z=123 vs σ_ref_z=102），收缩 z 是 shape 增益的主来源。-3. b 侧膨胀在提交态关闭（SPREAD_ALPHA=0）：膨胀+z 匹配（61.38）< z 匹配单独（61.50），膨胀把 b 细胞 z 压到 μ_z 后匹配因子只能回扩（0.969），净 shape 增益变小。+本节点新增（run.py 环境变量开关，默认关）： -单输入退路不变（无括号 → 分层抽最后阶段，early return，不触及任何新代码）。-无 RNG 参与新机制，对 seed 确定；σ_ref/σ_out 全部现场从 view 数据计算，无硬编码统计量，无绝对时间/视图判断（只用 t 与坐标）。+1. **PLAN 机制（逐型 z σ 匹配，TYPE_Z_MATCH=1）**：jitter 后对输出云中每个细胞型 c，+   参考 σ_ref_z(c)=(1−t)·σ_a_z(c)+t·σ_b_z(c)（σ 取自对齐且 RMS 缩放后的**完整**括号云 ca/cb 中该型细胞的 z 标准差），+   输出云内该型 z 展宽 σ_out_z(c)，因子 f_c=1+λ(r_c−1)、r_c=σ_ref_z(c)/σ_out_z(c)，绕该型在输出云中的 z 质心做仿射缩放；+   输出细胞 <5 个、或在任一括号中缺失（无法两括号插值）的型回退到父节点的全局因子 fac_glob（绕全局 μ_z）。随后 scale_to_rms 恢复全局 RMS。+   无 RNG，全部 σ 现场从 view 数据计算，无硬编码统计量、无绝对时间/视图判断。+2. **诊断（TYPE_Z_DIAG=1）**：打印逐型 r_c、匹配前后 z-std、σ_ref_z(c)。++单输入退路不变（无括号 → 分层抽最后阶段 early return，不触及任何新代码）。  ## 机制证据（mechanism_evidence，A 半，E6.75+E8.0→E7.25，t=0.4，seed 0） -- 诊断比值：σ_ref/σ_out = x 1.0265、y 1.0469、z 0.9179；**xy 两轴比值相对差 2.0% < 5%** → 触发 PLAN 自带的"机制无实际差异"提前终止判据。γ_x/γ_y（β=0.5）= 1.1651/1.1767，膨胀前后 b 云逐轴 spread 仅变化 ~1.5%。-- 提交机制实际改变：全部 5000 个细胞的 z 坐标乘 fac_z=0.918（绕 μ_z），xy 不变；shape_scale 72.18→74.20（d2_shape 0.01234→0.00945，occupancy_dice 0.7716→0.7862），local_spatial 59.03→58.47（neighborhood_mmd 0.05314→0.05436），expression/cell_state 两组不变（表达未动）。+- **逐型 r_c 跨型差 0.434 ≫ 0.05**：机制非惰性（PLAN 预注册的惰性判据未触发）。r_c：EXE-Endoderm 0.954、+  ExEM-2 0.870、Unknown 0.826、Allantois 0.822、ExEM-1 0.807、HEM-Endoth 0.795、SOM 0.755、+  Primitive Streak 0.722、Caudal Epiblast 0.711、LPM 0.682、pSE 1.116。+- **关键发现**：逐型内 r_c（0.68–0.95）系统性低于全局比值 0.918 的含义完全不同——全局 σ 含型间质心分离，+  逐型匹配的是**型内** z 展宽，压缩远强于全局因子（大细胞型 fac_c≈0.7–0.95）。匹配后逐型 z-std 精确落到 σ_ref_z(c)+  （如 Caudal Epiblast 79.2→56.3），1679/5000 细胞回退全局因子。+- 四组分变化（λ=1 vs 父 A 半 seed 0）：cell_state 52.84→52.84、expression_change 60.50→60.50（坐标未动表达，符合预期）、+  shape_scale 74.20→74.13（d2_shape 0.00945→0.00865 改善，occupancy_dice 0.7862→0.7780 变差，互相抵消）、+  local_spatial 58.47→58.63（neighborhood_mmd 0.05436→0.05402 改善，回收 0.16/0.56 的损失）。  ## 机制对照（mechanism_off_control）与查分全表 -off 对照 = `ANISO_FULL=0 SPREAD_ALPHA=0.3`（父配置），输出与父节点 h5py 逐数组比对 **True**（seed 0）。全部 A 半查分（10 次，余 6）：+off 对照 = `TYPE_Z_MATCH=0`（默认），输出与父节点 25 提交态（本 work 目录 `preds/parent_s0.h5ad`）h5py 逐数组比对 **True**（seed 0）。+A 半查分（3 次，余 17）： -| 配置（seed 0） | 榜分 | shape | local | occ_dice | d2_shape | nbhd_mmd |-|---|---:|---:|---:|---:|---:|---:|-| off 对照（=父） | 61.14 | 72.18 | 59.03 | 0.7716 | 0.01234 | 0.05314 |-| PLAN β=0.5, cap1.25 | 61.20 | 72.44 | 59.01 | 0.7735 | 0.01195 | 0.05319 |-| b 侧保 z（SPREAD_ZPRES） | ~59.9 | 70.32 | 58.48 | 0.7578 | 0.01541 | 0.05435 |-| 整云匹配 xyz λ1（无膨胀） | 61.49 | 74.10 | 58.52 | 0.7710 | 0.00798 | 0.05426 |-| 整云匹配 xy λ1 | 61.11 | 72.69 | 58.42 | 0.7945 | 0.01412 | 0.05448 |-| 整云匹配 z λ0.5 / λ0.75 | 61.14 / 61.26 | 72.81/73.26 | 58.40/58.42 | 0.7917/0.7834 | — | — |-| 膨胀+z 匹配 λ1 | 61.38 | 73.15 | 59.04 | 0.7750 | 0.01047 | 0.05313 |-| **z 匹配 λ1（提交）** | **61.50** | **74.20** | 58.47 | 0.7862 | 0.00945 | 0.05436 |+| 配置（seed 0） | 榜分 | shape | local | cell_state | expr | occ_dice | d2_shape | nbhd_mmd |+|---|---:|---:|---:|---:|---:|---:|---:|---:|+| off 对照（=父 25） | 61.50 | 74.20 | 58.47 | 52.84 | 60.50 | 0.7862 | 0.00945 | 0.05436 |+| 逐型 z 匹配 λ=1 | 61.53 | 74.13 | 58.63 | 52.84 | 60.50 | 0.7780 | 0.00865 | 0.05402 |+| 逐型 z 匹配 λ=0.85 | 61.42 | 73.66 | 58.65 | 52.84 | 60.50 | 0.7780 | 0.00967 | 0.05396 | -多种子（A 半）：z 匹配 61.50/61.78/62.02（seed 0/1/2，均值 **61.77**）；膨胀+z 匹配 61.38/61.78/61.89（均值 61.68）；off 对照 61.14/61.62（seed 0/1，均值 61.38）。提交态默认运行 = z 匹配 seed 0 逐位一致，vec-check ok。+**PLAN 预注册门槛判定（FAIL）**：要求 shape_scale 不丢全局增益 >0.5（≈A 半 ≥73.7）且 local_spatial 回收 ≥0.3+（父 58.47 → 需 ≥58.77）。λ=1：shape 74.13 ✓，local 58.63 只回收 +0.16 ✗；λ=0.85：shape 73.66 ✗（且榜分净负 −0.09）。+λ=1 榜分 +0.02，远小于 T2 噪声（~1），按 PLAN Step 4 判据（2 种子均值 > 父才提交）不再消耗种子确认，**提交父配置**。  ## 结论与已验证/未验证 -- PLAN 的 b 侧 xy 各向异性膨胀被其自带判据证伪（各向异性缺损仅 2%，β 扫描在噪声内）。同族推广到整云逐轴匹配后，**z 轴 8.8% 的过扩展才是真实缺损**，收缩 z 一致提升 shape（3 种子 shape +1.6~+2.7，d2_shape −18~−23%），代价是 local −0.5（seed 0）~+0.1（seed 1/2）。-- 证伪并记录：xy-only 匹配（occ_dice 最高 0.7945 但 d2_shape 恶化、净负）、λ 阻尼（λ=0.5/0.75 反而 local 不恢复、shape 增益缩水，非单调，不再扫）、b 侧保 z（shape −1.9，父节点的 z 压平实际有益）、膨胀+z 匹配（净低于 z 匹配单独）。-- 未验证：真实括号（E7.25→E8.0 快增长段）的 σ_ref_z/σ_out_z 比值方向——若真实输出云 z 偏窄，fac_z>1 会扩张 z，机制仍按数据驱动执行，但收益方向未在代理上检验；B 半与正式分的迁移（A 半 +0.26~+0.39 属小幅，树内 seed 间 A 半波动 ~0.5）；心脏榜（本节点只针对 embryo interp）。-- 生物学知识来源：无新增外部知识；z 为离散切片轴的注意事项来自方法卡，σ 匹配纯数据驱动。+- 逐型 z σ 匹配机制确实运行、确实改变了坐标（逐型 z-std 精确匹配到参考），但在代理上被证伪：+  local_spatial 的 −0.56 损失主要来自整云 z 收缩本身（邻域在 z 方向被压扁），换成"型内压得更狠、型间质心不动"的+  逐型版本只把 neighborhood_mmd 换回一点点，却把 occupancy_dice 打下去（型内强压缩把细胞挤进更少的 z 层），净效应为零。+- 证伪并记录：λ=0.85 阻尼同时失 shape（逐型压缩本已强于全局，阻尼只削弱 d2_shape 增益、不增 occupancy_dice）；+  λ>1 未试（λ=1 已精确匹配参考，过冲无参考意义）；逐型质心的 z 位移（把型间布局也插值）超出本 PLAN 机制范围，未实现。+- 未验证：真实括号（E7.25→E8.0）上的逐型 r_c 分布与收益方向（代理上 r_c<1 为压缩，真实快增长段方向未知）；B 半迁移。+- 生物学知识来源：无新增外部知识；全部为数据驱动的坐标几何操作。++## 提交态运行++```bash+python run.py --data <view> --out <pred> --seed <s>   # 默认 TYPE_Z_MATCH=0 = 父节点 25 配置，逐位一致+```diff --git a/solution/run.py b/solution/run.pyindex 593b46e..5f31997 100644--- a/solution/run.py+++ b/solution/run.py@@ -126,6 +126,14 @@ SPREAD_ZPRES = int(os.environ.get("SPREAD_ZPRES", "0"))   # 1 = keep b-cell z in ANISO_FULL = int(os.environ.get("ANISO_FULL", "1"))       # submitted: whole-cloud per-axis sigma matching ON ANISO_LAMBDA = float(os.environ.get("ANISO_LAMBDA", "1.0"))  # damping of the per-axis matching toward sigma_ref ANISO_AXES = os.environ.get("ANISO_AXES", "z").strip().lower()  # submitted: match z only (xy falsified, see METHOD)+# PLAN T2EI-05 (node 31): per-cell-type z sigma matching. Each type's z-spread+# is independently affine-matched to its bracket-interpolated reference spread+# around the type's own output z-centroid; types with < TYPE_Z_MIN cells or+# without a two-bracket reference get the global factor around the global mean.+TYPE_Z_MATCH = int(os.environ.get("TYPE_Z_MATCH", "0"))+TYPE_Z_LAMBDA = float(os.environ.get("TYPE_Z_LAMBDA", "1.0"))+TYPE_Z_MIN = int(os.environ.get("TYPE_Z_MIN", "5"))+TYPE_Z_DIAG = int(os.environ.get("TYPE_Z_DIAG", "0"))   def _spread_apply(X: np.ndarray, rows: np.ndarray, mu: np.ndarray, f: float) -> None:@@ -548,6 +556,48 @@ def main() -> None:             rows = off + np.flatnonzero(lab_sel == tname)             coords[rows] = mu_f + (coords[rows] - mu_f) * f             spread_diag.append({"type": tname, "n_c": n_c, "k_c": k_c, "f": f})+    elif TYPE_Z_MATCH:+        # Per-cell-type z sigma matching (PLAN T2EI-05, node 31): each type's+        # z-spread is affinely matched to its own bracket-interpolated+        # reference spread (1-t)*sigma_a_z(c) + t*sigma_b_z(c) around the+        # type's z-centroid in the output cloud; the global RMS is restored+        # afterwards. Types with < TYPE_Z_MIN output cells or missing from one+        # bracket fall back to the global factor (parent node-25 behaviour).+        mu0 = coords.mean(axis=0)+        s_out_z = float(coords[:, 2].std())+        fac_glob = 1.0 + TYPE_Z_LAMBDA * (float(s_ref_axes[2]) / max(s_out_z, 1e-9) - 1.0)+        lab_out = np.concatenate([p.astype(str) for p in+                                  ([la[ia]] if ia.size else []) + ([lb[ib]] if ib.size else [])])+        per_type = []+        touched = np.zeros(coords.shape[0], dtype=bool)+        for tname in sorted(set(lab_out.tolist())):+            rows = np.flatnonzero(lab_out == tname)+            ra = np.flatnonzero(la == tname) if ia.size else np.array([], dtype=int)+            rb = np.flatnonzero(lb == tname) if ib.size else np.array([], dtype=int)+            if rows.size >= TYPE_Z_MIN and ra.size >= 2 and rb.size >= 2:+                s_ref_c = (1.0 - t) * float(ca[ra, 2].std()) + t * float(cb[rb, 2].std())+                r_c = s_ref_c / max(float(coords[rows, 2].std()), 1e-9)+                f_c = 1.0 + TYPE_Z_LAMBDA * (r_c - 1.0)+                mu_zc = float(coords[rows, 2].mean())+                z_before = float(coords[rows, 2].std())+                coords[rows, 2] = mu_zc + (coords[rows, 2] - mu_zc) * f_c+                per_type.append({"type": tname, "n_out": int(rows.size), "r_c": r_c,+                                 "f_c": f_c, "zstd_before": z_before,+                                 "zstd_after": float(coords[rows, 2].std()),+                                 "s_ref_c": s_ref_c})+                touched[rows] = True+        rows_rest = np.flatnonzero(~touched)+        if rows_rest.size:+            coords[rows_rest, 2] = mu0[2] + (coords[rows_rest, 2] - mu0[2]) * fac_glob+        coords = scale_to_rms(coords, target_rms)+        aniso_diag = {"type_z_match": 1, "type_z_lambda": TYPE_Z_LAMBDA,+                      "type_z_min": TYPE_Z_MIN, "fac_glob_z": fac_glob,+                      "n_types_matched": len(per_type),+                      "n_cells_rest": int(rows_rest.size),+                      "r_c_spread": (max((d["r_c"] for d in per_type), default=float("nan"))+                                     - min((d["r_c"] for d in per_type), default=float("nan")))}+        if TYPE_Z_DIAG:+            aniso_diag["per_type"] = per_type     elif ANISO_FULL:         # Whole-cloud per-axis sigma matching (extension of the PLAN family):         # match each axis of the output cloud to the bracket-interpolated

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. Submission is final and verified.

**做了什么**：按 PLAN T2EI-05 实现逐细胞型 z σ 匹配（TYPE_Z_MATCH 开关 + 逐型诊断），先跑 0 查分诊断：r_c 跨型差 0.434（机制非惰性，逐型 r_c 0.68–0.95，型内压缩远强于全局 0.918）。实现后 A 半查分 λ=1 / λ=0.85（共 3 次查分，余 17）。

**查分结果**：λ=1 榜分 61.53 vs 父 61.50（+0.02，噪声内）：local 只回收 +0.16（门槛 ≥+0.3，FAIL），nbhd_mmd 改善但 occupancy_dice 变差互相抵消；λ=0.85 净负 61.42 且 shape 73.66 失增益。触发 PLAN 预注册门槛 → 提交父配置。off 对照（默认 TYPE_Z_MATCH=0）与父节点输出 h5py 逐数组比对 True，vec-check ok。

**下一步最值得试**：逐型匹配证明 local_spatial 损失来自整云 z 收缩本身而非型间布局；建议改试"z 匹配 + occupancy 补偿"（收缩后对 xy 做小幅占据扩张以恢复 occupancy_dice），或按父节点 next_suggestion 在真实括号上先诊断 σ_ref_z/σ_out_z 方向再决定是否保留 z 匹配。

调研员

) Engineer should abort immediately if diagnostic shows uniform ratios rather than spending queries on a dead mechanism.",
 "family_id": "T2EI-05",
 "mechanism": "Replace the single global z-axis compression factor with per-cell-type factors: each type's z-spread is independently affine-matched to its bracket-interpolated reference spread around the type's own z-centroid, then global RMS is restored. Types already correctly spread get factor ~1; only over-extended types are compressed, preserving within-type z-neighborhood structure that global matching disrupts.",
 "vs_constant_shift": "A constant z-shift or single global scale factor compresses all cells identically regardless of type identity. Per-type matching computes a separate compression factor for each type from its own z-variance vs its own bracket-interpolated reference, so the transform is type-conditional: a correctly-spread type is untouched while an over-extended type is compressed. The result cannot be reproduced by any single global affine transform of z.",
 "mechanism_evidence": "Engineer should log: (1) per-type r_c values showing cross-type variance (if uniform, mechanism is inert by the pre-registered <0.05 spread criterion); (2) per-type z-std before vs after, confirming each type's spread moves toward its reference; (3) neighborhood_mmd and occupancy_dice separately to attribute local_spatial recovery to preserved within-type z-neighborhoods; (4) d2_shape to confirm shape is maintained. Compare all four group scores against parent's 54.35/61.08/60.10/73.51.",
 "mechanism_off_control": "Set TYPE_Z_MATCH=0 (default): code falls back to parent's global z-matching (ANISO_FULL=1, ANISO_AXES=z, ANISO_LAMBDA=1), producing bit-identical output to node 25 (verify by h5py array comparison). Expected difference when on: local_spatial +0.3..+0.6 (neighborhood_mmd returns toward 0.0531), shape_scale within +/-0.5 of 73.51, cell_state and expression_change unchanged (coordinates only).",
 "sources": []}
```

审查员

REVIEW.json written