总览 · ← 返回运行 20261003-070222-search-t2-heart-extrap-g24-D

节点 n22 终选程序?按该运行锁定的规则最终选出的程序；可能是候选节点，也可能由护栏回退到基线。在终选来历上

T2HX-09b 细胞类型条件乘性修正（w_t=1−κ·s_t，s_t 为类型谱与外部心脏质心余弦）：proxy 双向证伪（κ>0 单调降、κ<0 亦低于父），按停止规则提交 κ=0，输出与父节点 21 逐字节一致。

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 d61152f902: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 a6c56e3a16。改动的文件：solution/METHOD.md +19 −18、solution/README.md +7 −4、solution/run.py +101 −22

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex ca51a0e..9492734 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,38 +1,39 @@+T2HX-09b 细胞类型条件乘性修正（w_t=1−κ·s_t，s_t 为类型谱与外部心脏质心余弦）：proxy 双向证伪（κ>0 单调降、κ<0 亦低于父），按停止规则提交 κ=0，输出与父节点 21 逐字节一致。+ # METHOD -T2HX-09 改进：PLAN 的「official 侧限定心脏谱系细胞」在 proxy 上证伪（53.58，de_direction −0.07）；反向操作（δ 的 official 侧只取**非**心脏匹配类型，锐化全胚 vs 纯心脏的组成对比）有效：λ=0.135 乘性修正，proxy 58.76（父 57.86）。坐标管线不变。+T2HX-09b（PLAN 家族 T2HX-09，节点 22）：把父节点 21 的秩-1 逐基因乘性修正升级为按细胞类型调制 w_t=1−κ·s_t（s_t=类型 z-score 均值谱与外部 Qiu 心脏质心的余弦相似度、min-max 归一，<50 细胞类型取中性 0.5）。**双向证伪**：κ∈{0.3,0.5,0.8,1.0} 四组分单调下降（cell_state 54.38→53.78，local_spatial 56.10→55.22），κ∈{−0.3,−0.5} 亦低于父（58.75/58.70 < 59.09）。按 PLAN 停止规则提交 **κ=0，输出与父节点 21 逐字节一致**（md5 41a98fd2…）。坐标管线（PCA 规范化 + 0.946×max RMS，shape_scale 66.60）、λ=0.135、LINEAGE=2 全部未动。  ## 榜 / 视图 -`T2:heart:val_extrap`，proxy = E8.25_late + E8.75 → E9.5。纯 CPU，~2.2 s，内存 <1 GB（`EXECUTION.json`: gpu=false）。查分用量 6/20。+`T2:heart:val_extrap`，proxy = E8.25_late + E8.75 → E9.5。纯 CPU，~2.2 s，内存 <1 GB（`EXECUTION.json`: gpu=false）。查分用量 10/20。  ## 实际实现与 PLAN 的关系（如实记录） -1. PLAN 字面机制**无法执行**：外部 Qiu 文件标签 = {First heart field, Second heart field, Endocardial cells}（作者级标签，未映射到官方词汇），与官方末阶段 33 个类型交集为**空**（PLAN 风险 3 命中）。改用数据驱动桥接：对官方每个 celltype 算交集基因上的 z-score 均值谱与外部质心的余弦相似度，cos ≥ 0.25·max 且 n ≥ 100 判为「心脏匹配」（proxy 上 = Unknown/V-CM/IFT-CM/Intra-Endoth-2/EXE-Endoderm，5295 细胞，与谱系知识一致：V-CM/IFT-CM 为心肌、Intra-Endoth 为内皮）。无任何硬编码标签名。-2. PLAN 假设**证伪**：δ_official 侧限定心脏匹配细胞 → proxy 53.58，de_direction 从 +0.215 跌到 −0.068（1 次查分即触发 PLAN 的停止条件方向）。-3. **反向假设成立**（本节点提交）：组成对比本身就是有效信号——δ 的 official 侧只取非匹配类型（19531 细胞），δ = mean(non-cardiac official) − mean(external heart)。三点单调证据：心脏侧 53.58 < 全量 57.86 < 非心脏侧 58.72–58.76，沿组成轴单调；de_direction 同步单调 −0.068 → +0.215 → +0.226。生物学解释（推测）：E9.5 心脏区解剖中心脏占比上升，把表达往「心脏 vs 周边组织」方向推与真实时序方向一致；PLAN 的过滤恰恰删掉了这个成分。-4. λ 扫描（乘性 exp(−λ·δ_norm)，δ_norm 去均值标准化，语义同父）：0.09→58.48、0.12→58.72、**0.135→58.76（提交，平台中心）**、0.15→58.74、0.2→58.39。平台 0.12–0.15。-5. 其余全部继承父节点 19：表达基线照抄末阶段（24826 ≤ max_cells 全量）、坐标 PCA 规范化 + 0.946×max_k RMS(input_k)（shape_scale 66.60 不动）、α=γ=0 边界、无外部同窗数据 → λ=0 安全退化（输出=父节点 16，54.15 保底）。+1. PLAN 步骤 1–5 全部按计划实现：复用节点 21 的相似度桥接（`type_similarity`，无硬编码标签名），s_t min-max 归一、稀有类型（<50 细胞）取 0.5，w_t=1−κ·s_t，X_out[i,g]=X_last[i,g]·exp(−λ·δ_norm[g]·w(celltype_i))，零保持零、稀疏结构逐位置不变，κ=0 逐字节复现父节点。+2. PLAN 步骤 6 扫描（λ=0.135 固定）：**κ>0 方向错误且单调**——κ=0.3: cell_state 54.38（−0.22）、expression_change 57.51（−0.33）、local_spatial 56.10（−1.21）；κ=1.0: cell_state 53.78、expression_change 57.27、local_spatial 55.22、de_score 也从 0.278 掉到 0.264。PLAN 的三条提交判据（cell_state ≥+1、expression_change 降幅 ≤0.5、de_direction 保持正）中第一条直接失败，故不进入 λ×κ 小网格。+3. 追加了 PLAN 未列的反向检查（导数方向）：κ=−0.3 → board 58.75、κ=−0.5 → 58.70，仍低于父 59.09，且 local_spatial 同样掉 ~1.3。κ=0 是该轴上的局部最优，**统一（秩-1）修正优于任何按类型异质的乘子**——异质乘子让相邻位置的异型细胞表达相互分叉，local_spatial（variogram/neighborhood_mmd）首当其冲，而 cell_state 的收益假设（类型维度分化）在 proxy 上不成立。+4. 单输入/无外部数据退路不变：无同窗外部数据 → λ=0 → copy-last 行为（节点 16，54.15 保底），κ 无效果。  ## 机制生效的证据 / 对照（mechanism_off_control） -- `VEC_MECH_OFF=1`：输出 md5 9d788ba7… 与父节点 16/13/12 逐字节一致（本机复核）✓。-- `VEC_LINEAGE_FILTER=0`（λ=0.12 时）：δ 统计与父节点 19 METHOD 完全一致（delta_mean 0.2254/std 0.7816/skew 0.4875），复现父行为 ✓。-- `VEC_LINEAGE_FILTER=1`（PLAN 字面意图）：保留开关与证伪记录（53.58）。-- 默认 `=2`：修正实际作用于全部 24826 个输出细胞的 497 个交集基因（乘性，零保持零，稀疏结构逐位置不变，pearson_before_after≈0.984）；δ 实质改变：corr(δ_inv_norm, δ_all_norm)≈0.93 但幅度重排，|Δdn| 均值 0.4 量级（心脏侧对照 corr 0.68 < 0.95，PLAN 判据满足）。-- 四组分变化 vs 父 19（proxy A 半）：expression_change 55.99→57.78、cell_state 53.65→54.51、local_spatial 56.78→56.16（噪声内）、shape_scale 66.60→66.60；榜分 57.86→58.76（+0.90，接近 T2 噪声 ~1，但三点单调 + de_direction 同向支持机制真实）。+- 机制在 κ≠0 时**确实运行且非退化**（PLAN risk 1 检查通过，非 w_t 常数问题）：κ=1.0 时 w_t 均值 0.645、std 0.242、min 0（Unknown）/max 1（PAM-1）；细胞级 w 均值 0.651、std 0.295；按类型平均 |Δ表达| 从 0.0（Unknown，w=0 不修正）到 0.106（非心脏型），类型间离散明确（mechanism_evidence 第 1、2、5 条）。+- 关闭对照 `VEC_KAPPA=0` 与默认：输出 md5 41a98fd2… 与父节点 21 已查分文件逐字节一致 ✓。+- `VEC_MECH_OFF=1`（λ=α=γ=κ=0）：md5 9d788ba7… 与节点 16/13/12 一致（本机复核）✓。+- 四组分变化（κ=0.3 vs 父，proxy A 半）：cell_state 54.60→54.38、expression_change 57.84→57.51、local_spatial 57.31→56.10、shape_scale 66.60→66.60；de_direction 保持 +0.226（第 3、4 条：κ>0 未提升任何组分）。+- 确定性：同 seed 跨进程 md5 一致；seed 0/1 均过 vec-check；无全局随机状态。  ## 验证过 / 没验证 -- 验证过：proxy seed0 全部 5 次查分（filter=1 λ0.12；filter=2 λ∈{0.09,0.12,0.135,0.15,0.2}）；默认配置 = 已查分文件逐字节一致（md5 41a98fd2…）；seed 0/1 vec-check 通过；mech-off / lineage=0 对照 md5；跨进程确定性。-- 没验证：B 半评测复现（+0.90 在噪声边缘，风险：正式分可能与父持平）；final 真实视图 external 挂载（无同窗数据 → λ=0 退化 54.15 保底，行为与父相同）；「心脏占比随时间上升」的解释未直接检验（用了已发布的 E8.25/E8.75 输入数据算 trend，无禁窗信息）；相似度阈值 frac=0.25 / min_type=100 未扫（对结果不敏感：匹配集与谱系常识一致）。+- 验证过：proxy seed0 共 6 次查分（κ∈{0.3,0.5,0.8,1.0,−0.3,−0.5}）+ κ=0 与父逐字节一致（父的 59.09 即本提交预期，无需重复查分）；mech-off / κ=0 对照 md5；w_t 分布与逐类型修正幅度诊断。+- 没验证：κ 在 (0, 0.3) 内的更细扫描（两端单调劣化，中间出现峰的可能性低）；s_t 的其他归一化（rank、z-score）——w_t std 已 ≥0.07，非退化，换归一化不改变「异质乘子伤 local_spatial」的结论方向；B 半复现（提交=父节点，风险与父相同）。  ## 知识来源 -无外部生物学知识写死。谱系桥接完全由视图内数据（表达相似度）驱动；「心脏谱系 vs 周边组织」的解释性叙述来自通用谱系常识（心脏在发育中相对增大），仅用于 METHOD 说明，不进入程序逻辑。外部 Qiu E8.75 为 manifest 挂载的合规训练数据（禁窗外）。未使用任何保留阶段/保留基因型信息。+无新增外部生物学知识。相似度桥接完全由视图内数据驱动（同父节点 21）；外部 Qiu E8.75 为 manifest 挂载的合规训练数据（禁窗外）。未使用任何保留阶段/保留基因型信息。  ## 下一步建议 -- local_spatial 略降（噪声内）：可对坐标邻域做与表达修正一致性检查，或接受现状。-- 组成对比方向已确认：可试把 δ 的 external 侧也做对称处理（如 external vs 官方心脏侧之差做二次锚定），或按官方心脏/非心脏占比对 δ 做连续加权 w∈[−1,1] 扫描（w=−1 即本节点，w=0 即父，w=+1 即证伪方向），确认 −1 是否为边界最优。-- 不要再动全局线性坐标（shape_scale 66.60，多节点证据饱和）。+- 类型条件乘性修正轴已双向关闭（κ=0 局部最优），不要在此轴继续扫描。+- local_spatial 对「细胞间异质的表达改动」高度敏感（本节点 |κ|=0.3 即 −1.3）：后续任何逐细胞/逐类型修饰表达的方案应先以 local_spatial 不降为硬约束。+- 更有希望的方向（沿节点 21 的组成对比信号）：δ 的 official 侧组成连续加权 w∈[−1,1]（w=−1 即节点 21），或 external 侧对称锚定；以及 final 视图 external 挂载检查（无同窗数据时放宽到最近外部阶段，保持数据驱动）。diff --git a/solution/README.md b/solution/README.mdindex e9283f5..96a7fd3 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,12 +1,15 @@-# T2:heart:val_extrap — T2HX-03 基因级趋势外推（proxy 证伪，提交 α=0）+ PCA 规范化坐标 + 0.946×max RMS 缩放+# T2:heart:val_extrap — T2HX-09 外部锚定逐基因乘性修正（λ=0.135，非心脏侧 δ）+ T2HX-09b 细胞类型调制（proxy 双向证伪，提交 κ=0 = 父节点 21）+ PCA 规范化坐标 + 0.946×max RMS 缩放  `run.py --data <view> --out <pred.h5ad> --seed <int>`（纯 CPU，约 2 s，`EXECUTION.json`: gpu=false）。 -- 表达机制（T2HX-03，已实现、可开关）：`delta_g = mean(X_last[:,g]) − mean(X_prev[:,g])`，输出细胞 `X = clip(X_last + α·delta, 0, ∞)`。proxy 上 α=0.2 → 52.05、α=0.05 → 53.02、α=0 → 54.15，de_direction=−0.06 与幅度无关：方向为负，按 PLAN 停止规则提交 **α=0**（表达照抄末阶段）。+- 表达机制（T2HX-09/09b）：有同窗（±0.26 d）外部数据时，δ = mean(官方末阶段非心脏匹配类型) − mean(外部)，δ_norm 标准化后乘性修正 `X·exp(−λ·δ_norm·w_t)`；w_t = 1 − κ·s_t（s_t 为类型谱与外部质心余弦的 min-max 归一）。proxy 上 κ≠0 双向劣化（local_spatial 最敏感），提交 κ=0、λ=0.135（输出=父节点 21）。无外部同窗数据 → λ=0 安全退化。+- 开关：`VEC_KAPPA`（κ 扫描）、`VEC_LAMBDA`、`VEC_LINEAGE_FILTER`（0/1/2）、`VEC_MECH_OFF=1`（全关，=节点 16）、`VEC_LMODE`（mult/additive）、`VEC_ALPHA`/`VEC_GAMMA`/`VEC_FACTOR`（已证伪家族边界与坐标因子）。++- 已证伪家族保留在边界值（供追溯）：`VEC_ALPHA`（T2HX-03 基因级趋势，α=0）、`VEC_GAMMA`（T2HX-05 主轴谱趋势，γ=0）。 - 坐标：确定性 PCA 规范帧（去质心 → eigh 降序 → det=+1 → 第三矩定向），再各向同性缩放到 `FACTOR × max_k RMS(input_k)`，FACTOR=0.946（父节点机制，原样保留）。 - 细胞数：`clip(last.n, min_cells, max_cells)`，超上限时按细胞类型分层无放回抽样。 - 单输入：无 prev → α 强制 0；坐标缩放退化为恒等，不崩。-- `VEC_MECH_OFF=1`：关闭表达外推（α=0，PLAN 对照，输出=父节点 12）。-- `VEC_ALPHA=<a>` / `VEC_FACTOR=<f>`：仅扫参用，提交时不设置。+- `VEC_MECH_OFF=1`：关闭全部机制（λ=α=γ=κ=0，PLAN 对照，输出=节点 16/13/12）。+- 扫参开关（`VEC_KAPPA`/`VEC_LAMBDA`/`VEC_LINEAGE_FILTER`/`VEC_ALPHA`/`VEC_GAMMA`/`VEC_FACTOR`/`VEC_LMODE`）：仅本地用，提交时均不设置。  证据、对照与查分记录见 `METHOD.md`。无模型权重，故无 `ARTIFACTS.json`。diff --git a/solution/run.py b/solution/run.pyindex ab1d03d..9f4f82d 100644--- a/solution/run.py+++ b/solution/run.py@@ -45,8 +45,26 @@ Parts:    and axis signs via third moments), rescaled isotropically to    ``FACTOR * max_k RMS(input_k)``. -``VEC_MECH_OFF=1`` disables all mechanisms (lambda=alpha=gamma=0; output-equals parent node 16 / 13 / 12 byte-for-byte).  ``VEC_LINEAGE_FILTER``:+5. NEW (node 22, PLAN T2HX-09b) per-celltype modulation of the correction,+   ``kappa``: w_t = 1 - kappa * s_t with s_t the min-max-normalised cosine+   similarity between the cell type's z-scored mean profile and the external+   centroid (types with < 50 cells get neutral s_t = 0.5); the multiplicative+   correction becomes X_out[i,g] = X_last[i,g] * exp(-lambda * delta_norm[g]+   * w(celltype_i)).  FALSIFIED ON PROXY IN BOTH DIRECTIONS (board_score,+   A-half; parent kappa=0 -> 59.09): kappa = 0.3/0.5/0.8/1.0 -> cell_state+   54.38/54.25/53.99/53.78 and local_spatial 56.10/55.96/55.58/55.22+   (monotone down); kappa = -0.3/-0.5 -> 58.75/58.70, cell_state 54.57/54.56,+   local_spatial 56.04/55.88.  Uniform (rank-1) correction is optimal on this+   axis; any cell-type heterogeneity in the multiplier costs local_spatial+   (~-1.3 at |kappa|=0.3) more than it can win on cell_state.  Committed+   KAPPA = 0 -> output byte-identical to parent node 21 (md5 41a98fd2...).+   Mechanism verified active at kappa != 0: w_t std 0.07-0.24, per-type mean+   |change| spread 0.0-0.106 at kappa=1.0.++``VEC_MECH_OFF=1`` disables all mechanisms (lambda=alpha=gamma=kappa=0;+output equals parent node 16 / 13 / 12 byte-for-byte).  ``VEC_KAPPA``+overrides KAPPA (scan knob; kappa=0 default reproduces node 21 exactly).+``VEC_LINEAGE_FILTER``: 0 = official mean over ALL cells (exactly parent node 19 behaviour); 1 = restrict to official cell types whose mean profile best matches the external centroid (PLAN T2HX-09 literal intent; proxy-FALSIFIED, 53.58,@@ -83,6 +101,7 @@ ALPHA = 0.0 GAMMA = 0.0  # family boundary: proxy falsified every gamma != 0 LAMBDA = 0.135  # T2HX-09: correction strength; inverted-filter plateau 0.12-0.15 (58.7), centre committed LINEAGE = 2  # 0=all official cells (parent 19), 1=heart-matched types, 2=inverted (non-heart types; committed)+KAPPA = 0.0  # T2HX-09b (node 22): per-celltype modulation w_t = 1 - kappa*s_t; 0 = parent node 21 exactly EXTERNAL_TIME_TOL = 0.26  # days; external data counts as "same stage" within this window  @@ -151,8 +170,8 @@ def external_same_stage(view: str, manifest: dict, last_time: float):     return sorted(out)  -def lineage_filter_mask(official_labels, Xo, m_ext, frac=0.25, min_type_cells=100,-                        invert=False):+def type_similarity(official_labels, Xo, m_ext, frac=0.25, min_type_cells=100,+                    invert=False):     """Data-driven bridge between the external label vocabulary and the     official one (PLAN T2HX-09 step 1; the literal label-set intersection is     empty here because the external file keeps author-level lineage labels).@@ -173,7 +192,7 @@ def lineage_filter_mask(official_labels, Xo, m_ext, frac=0.25, min_type_cells=10         cos[str(t)] = float(m @ ze_n / (np.linalg.norm(m) + 1e-12))         cnt[str(t)] = int((ct == t).sum())     if not cos:-        return np.ones(len(ct), dtype=bool), {}+        return np.ones(len(ct), dtype=bool), {}, {}, {}     thr = frac * max(cos.values())     matched = [t for t in cos if cos[t] >= thr and cnt[t] >= min_type_cells]     kept = [t for t in cos if (t in matched) != bool(invert)]@@ -185,24 +204,33 @@ def lineage_filter_mask(official_labels, Xo, m_ext, frac=0.25, min_type_cells=10         "n_cells_kept": int(mask.sum()),         "cos_top5": sorted(((round(v, 3), k) for k, v in cos.items()), reverse=True)[:5],     }-    return mask, diag+    return mask, diag, cos, cnt  -def offset_correction(view, manifest, last, genes, last_time, lam, lineage=True):+def offset_correction(view, manifest, last, genes, last_time, lam, lineage=True,+                      kappa=0.0):     """PLAN T2HX-09: per-gene cross-platform offset, standardised, subtracted. -    Returns (correction_vector [len(genes), float32], info dict).  correction-    is lam * delta_norm on intersection genes, 0 elsewhere.  When-    ``lineage`` is on, the official-side mean is restricted to cells whose-    type matches the external lineage profile (see lineage_filter_mask),-    removing the whole-embryo-vs-pure-heart composition confound from delta.+    Returns (correction_vector [len(genes), float32], w_all [n_cells] or None,+    info dict).  correction is lam * delta_norm on intersection genes, 0+    elsewhere.  When ``lineage`` is on, the official-side mean is restricted+    to cells whose type matches the external lineage profile (see+    type_similarity), removing the whole-embryo-vs-pure-heart composition+    confound from delta.++    NEW (node 22, PLAN T2HX-09b): when ``kappa`` != 0 the per-gene correction+    is modulated per cell type, w_t = 1 - kappa * s_t, where s_t is the+    min-max-normalised cosine similarity between the type's z-scored mean+    profile and the external centroid (types with < 50 cells get the neutral+    s_t = 0.5).  Heart-matched types (s_t -> 1) are corrected less, non-heart+    types fully.  kappa = 0 -> w_all = None -> parent node 21 exactly.     """-    info: dict = {"lambda": lam, "lineage_filter": int(lineage)}+    info: dict = {"lambda": lam, "lineage_filter": int(lineage), "kappa": kappa}     paths = external_same_stage(view, manifest, last_time)     zero = np.zeros(len(genes), dtype=np.float32)     if not paths:         info["status"] = "no_external_same_stage"-        return zero, info+        return zero, None, info     import anndata as ad      gset = {g: i for i, g in enumerate(genes)}@@ -224,7 +252,7 @@ def offset_correction(view, manifest, last, genes, last_time, lam, lineage=True)         common = set(gk) if common is None else (common & set(gk))     if not means or not common:         info["status"] = "external_no_panel_genes"-        return zero, info+        return zero, None, info     # weighted external mean per gene over intersection genes     inter = sorted(common, key=lambda g: gset[g])     cols = np.array([gset[g] for g in inter])@@ -240,9 +268,12 @@ def offset_correction(view, manifest, last, genes, last_time, lam, lineage=True)         for g in inter     ])     Xo = np.asarray(as_dense(last.X[:, cols]), dtype=np.float64)+    cos_by_type: dict = {}+    cnt_by_type: dict = {}     if lineage:         invert = int(lineage) == 2-        mask, fdiag = lineage_filter_mask(last.labels, Xo, m_ext, invert=invert)+        mask, fdiag, cos_by_type, cnt_by_type = type_similarity(+            last.labels, Xo, m_ext, invert=invert)         info.update(fdiag)         info["filter_invert"] = int(invert)         if int(mask.sum()) < 50:@@ -250,6 +281,8 @@ def offset_correction(view, manifest, last, genes, last_time, lam, lineage=True)             info["filter"] = "fallback_all(<50 cells)"         else:             info["filter"] = "lineage" if not invert else "nonlineage"+    elif kappa != 0.0:+        _, _, cos_by_type, cnt_by_type = type_similarity(last.labels, Xo, m_ext)     m_off = Xo[mask].mean(axis=0) if lineage else Xo.mean(axis=0)     delta = m_off - m_ext     sd = float(delta.std())@@ -266,7 +299,7 @@ def offset_correction(view, manifest, last, genes, last_time, lam, lineage=True)     })     if sd < 1e-9:         info["status"] = "delta_degenerate"-        return zero, info+        return zero, None, info     delta_norm = (delta - delta.mean()) / sd     corr = np.zeros(len(genes), dtype=np.float32)     corr[cols] = (lam * delta_norm).astype(np.float32)@@ -276,7 +309,35 @@ def offset_correction(view, manifest, last, genes, last_time, lam, lineage=True)         "dn_abs_max": round(float(np.abs(delta_norm).max()), 3),         "mean_abs_shift": round(float(np.abs(corr[cols]).mean()), 4),     })-    return corr, info+    w_all = None+    if kappa != 0.0 and cos_by_type:+        sims = np.array([cos_by_type[t] for t in sorted(cos_by_type)])+        lo_s, hi_s = float(sims.min()), float(sims.max())+        span = hi_s - lo_s+        s_by_type, w_by_type = {}, {}+        for t, c in cos_by_type.items():+            if cnt_by_type.get(t, 0) < 50 or span < 1e-12:+                s = 0.5+            else:+                s = (c - lo_s) / span+            s_by_type[t] = s+            w_by_type[t] = 1.0 - kappa * s+        ct = np.asarray(last.labels)+        w_all = np.array([w_by_type[str(t)] for t in ct], dtype=np.float64)+        ws = np.array([w_by_type[t] for t in sorted(w_by_type)])+        ts = sorted(w_by_type)+        info.update({+            "w_mean": round(float(ws.mean()), 4),+            "w_std": round(float(ws.std()), 4),+            "w_min": round(float(ws.min()), 4),+            "w_min_type": ts[int(np.argmin(ws))],+            "w_max": round(float(ws.max()), 4),+            "w_max_type": ts[int(np.argmax(ws))],+            "w_cell_mean": round(float(w_all.mean()), 4),+            "w_cell_std": round(float(w_all.std()), 4),+            "s_by_type": {t: round(s_by_type[t], 3) for t in ts},+        })+    return corr, w_all, info   def main() -> None:@@ -292,6 +353,7 @@ def main() -> None:     gamma = 0.0 if mech_off else float(os.environ.get("VEC_GAMMA", "") or GAMMA)     lam = 0.0 if mech_off else float(os.environ.get("VEC_LAMBDA", "") or LAMBDA)     lineage = 0 if mech_off else int(os.environ.get("VEC_LINEAGE_FILTER", "") or LINEAGE)+    kappa = 0.0 if mech_off else float(os.environ.get("VEC_KAPPA", "") or KAPPA)      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -306,15 +368,21 @@ def main() -> None:      lam_info: dict = {}     if lam != 0.0:-        corr, lam_info = offset_correction(-            args.data, manifest, last, genes, float(last_e["time"]), lam, lineage=lineage+        corr, w_all, lam_info = offset_correction(+            args.data, manifest, last, genes, float(last_e["time"]), lam,+            lineage=lineage, kappa=kappa         )         if np.any(corr != 0.0):             before = block.copy()+            cw = None if w_all is None else w_all[idx]             if os.environ.get("VEC_LMODE", "mult") == "mult":-                block = (block * np.exp(-corr.astype(np.float64))).astype(np.float32)+                if cw is not None:+                    block = (block * np.exp(-cw[:, None] * corr[None, :].astype(np.float64))).astype(np.float32)+                else:+                    block = (block * np.exp(-corr.astype(np.float64))).astype(np.float32)             else:-                block = np.clip(block - corr, 0.0, None).astype(np.float32)+                corr_eff = corr if cw is None else cw[:, None] * corr[None, :]+                block = np.clip(block - corr_eff, 0.0, None).astype(np.float32)             a = before.ravel().astype(np.float64)             b = block.ravel().astype(np.float64)             pearson = float(np.corrcoef(a, b)[0, 1])@@ -323,6 +391,17 @@ def main() -> None:                 "n_clipped_to_zero": int(((before > 0) & (block == 0)).sum()),                 "mean_shift_applied": round(float((block - before).mean()), 5),             })+            if w_all is not None:+                lab_out = np.asarray(last.labels)[idx]+                per_type = {}+                for t in np.unique(lab_out):+                    m = lab_out == t+                    d = np.abs(block[m] - before[m])+                    per_type[str(t)] = round(float(d.mean()), 4)+                vals = np.array(list(per_type.values()))+                lam_info["per_type_abs_change_mean"] = per_type+                lam_info["per_type_change_spread"] = [+                    round(float(vals.min()), 4), round(float(vals.max()), 4)]      delta_info: dict = {}     if alpha != 0.0 and prev_e is not None:

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

完成。节点 22（improve，T2HX-09b）总结：

**做了什么**：按 PLAN 把父节点 21 的秩-1 逐基因乘性修正升级为细胞类型调制 w_t=1−κ·s_t（s_t=类型 z-score 谱与外部 Qiu 心脏质心余弦、min-max 归一，稀有类型取 0.5），实现+关闭对照均验证（κ=0 与父输出 md5 逐字节一致 41a98fd2…；VEC_MECH_OFF=1 = 节点 16 的 9d788ba7…；w_t std 0.24、逐类型修正幅度 0.0–0.106，机制确认非退化运行）。

**查分结果**（10/20 次）：κ>0 双向单调劣化——κ=0.3/0.5/0.8/1.0 时 cell_state 54.38→53.78、local_spatial 56.10→55.22（父：54.60/57.31）；反向 κ=−0.3/−0.5 → board 58.75/58.70 < 59.09。按 PLAN 停止规则提交 **κ=0（=父节点 21，预期 59.09）**，seed 0/1 均过 vec-check。

**下一步最值得试**：(1) 沿节点 21 的组成对比信号做 δ official 侧连续加权 w∈[−1,1] 扫描或 external 侧对称锚定；(2) 关键教训：local_spatial 对细胞间异质表达改动极敏感（|κ|=0.3 即 −1.3），任何逐细胞修饰方案应以 local_spatial 不降为硬约束；(3) final 视图 external 同窗挂载检查，无数据时放宽到最近外部阶段防 λ=0 退化。

调研员

_change +1.85 vs cell_state +0.95 的差异提示：统一修正对群体均值（expression_change）帮助大于对个体细胞（cell_state）。",
  "approach": "在父节点 21 的乘性修正基础上，引入逐细胞类型权重 w_t，使修正从秩-1（纯基因向量）升级为基因×细胞类型交互（分块对角）。步骤：\n1. 复用父节点已有的相似度桥接代码：对每个官方 celltype t，计算其 z-score 均值谱与外部 Qiu 质心的余弦相似度 sim_t（已在 lineage filter 中实现）。\n2. 归一化 s_t = (sim_t - min_sim) / (max_sim - min_sim) ∈ [0,1]；对细胞数 < 50 的类型令 s_t = 0.5（中性，不修正）。\n3. 逐细胞类型权重 w_t = 1 - κ·s_t。心脏相似型（s_t→1）修正减弱（已接近外部参考，少推）；非心脏型（s_t→0）保持全修正。\n4. 修正公式：X_out[i,g] = X_last[i,g] * exp(-λ · δ_norm[g] · w(celltype_i))。零仍为零，稀疏结构不变。\n5. κ=0 时逐字节复现父节点 21（关闭对照）。\n6. 扫描策略（≤12 次查分）：固定 λ=0.135，κ ∈ {0, 0.3, 0.5, 0.8, 1.0}（5 次）；若 κ>0 方向正确且 cell_state 提升，再在 λ∈{0.12, 0.15} × κ∈{0.3, 0.5} 做 4 点小网格确认。\n7. 单输入阶段退路：无外部数据 → λ=0 → 输出=copy-last，与父节点相同，κ 无效果。\n8. 用 vec-score 查分；判断标准：(a) cell_state 提升 ≥1（超噪声），(b) expression_change 不降超 0.5，(c) de_direction 保持正。三条同时满足才提交 κ>0；否则提交 κ=0（=父节点）。",
  "expected_groups": ["cell_state"],
  "risks": "1. 效应可能在噪声内（<1 分）：细胞类型均值谱的余弦相似度区分度不够，w_t 近似常数。Engineer 应在第一次查分后打印 w_t 的分布（std），若 std(w_t) < 0.05 则机制实质未运行，直接提交 κ=0。2. 稀有类型（<50 细胞）权重不稳定：已用中性值 0.5 兜底，但若大量细胞属于稀有型，修正被稀释。打印各型细胞数占比确认。3. cell_state 提升以 expression_change 下降为代价：若 expression_change 降 >0.5，说明类型调制过度，回退 κ。4. 30 分钟时限：实现改动约 30 行（复用已有相似度计算），扫描 ≤12 次查分，每次 ~2s，总计 <5 分钟查分 + 15 分钟实现，留有余量。",
  "family_id": "T2HX-09",
  "mechanism": "将逐基因乘性修正从全局统一（秩-1）升级为按细胞类型调制（基因×类型交互）：与外部心脏质心相似度高的类型少修正，低的类型多修正，使修正方向贴合各类型在时序中的实际表达变化。",
  "vs_constant_shift": "常数位移对每个基因施加同一偏移量、对所有细胞相同；本方案是乘性的（保零、保稀疏），且修正幅度按细胞类型分化——同一基因在不同细胞类型中修正量不同（由 w_t 调制），形成基因×细胞类型的交互结构，而非全局均匀平移。",
  "mechanism_evidence": "Engineer 应输出：(1) w_t 的分布（均值、标准差、最大/最小值及对应类型名），确认非退化；(2) 修正前后按细胞类型分组的平均表达变化量，验证类型间存在差异；(3) 四组分各自变化（重点：cell_state 是否超噪声 +1 且 expression_change 不降）；(4) de_direction 保持正且不低于父节点 +0.226；(5) pearson_before_after 按类型报告，验证修正幅度在类型间有离散。",
  "mechanism_off_control": "设 κ=0（环境变量 VEC_KAPPA=0），此时 w_t=1 对所有类型，修正公式退化为父节点 21 的 exp(-λ·δ_norm)，输出应逐字节一致（md5 相同）。另有 VEC_MECH_OFF=1 全局关闭（λ=0），输出等于节点 16。预期差别：κ>0 时 cell_state 应高于 κ=0，若相同则机制未运行。",
  "sources": []
}

审查员

REVIEW.json written