总览 · ← 返回运行 20261003-105537-search-t2-heart-extrap-g24-D

节点 n10

T2HX-04：表达kNN引导的有界2-opt坐标-细胞再配对（复刻并约束node5）

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 68df456772: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 cc8596bc17。改动的文件：solution/METHOD.md +33 −23、solution/run.py +98 −65

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex a256a67..bfe2fd8 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,33 +1,43 @@-全局速度（末两输入伪批量差）投影到锚阶段表达 PCA 上自动选 |投影| 最大的 m 个 PC 去噪，再逐细胞按发育前沿程度 (1+β·s_i) 做非对称定向位移（T2HX-01）；de_score/de_direction 未过 PLAN 阈值且全网格低于地板，按边界规则以 alpha=0（逐位=copy_last）提交。+# T2HX-04：表达kNN引导的有界2-opt坐标-细胞再配对（复刻并约束node5） -## 方法（PLAN 家族 T2HX-01：速度投影 PC 上的定向逐细胞位移）+copy_last 基座（锚阶段 24826≤max_cells，整份原样输出）上实现"只重排细胞↔坐标配对"的有界贪心2-opt：坐标15-NN图上，以表达余弦相似度为目标，候选取自表达kNN，预算B限制移动细胞比例；B∈{2%,5%,10%}×{平滑,锐化}全网格的 neighborhood_mmd 与 identity 地板不可区分（均≈0.114，评分器逐次调用有±0.002噪声），按PLAN no-go条款以机制关闭（VEC_SWAP=0，逐位=copy_last，实测50.00）提交。 -- 基座与父节点 6 相同：`anchor_entry` 锚阶段（外推=末输入），≤max_cells 时整份输出，否则按细胞类型分层抽到 max_cells；坐标、细胞数、组成不动。-- 机制：v = pb(末输入) − pb(前一输入)（全局伪批量速度，不分型）；对锚阶段抽样表达做 PCA（基因协方差 500×500 `eigh`，v_clean=V_sel V_selᵀ v 对特征向量符号不变，确定性）；按 |Vᵀv| 选前 m 个 PC 重构 v_clean 并 L2 归一化；s_i=(X_i−mu)·v_clean，X_new = max(0, X + α·max(0,1+β·s_i)·v_clean)，β=0.3。-- 开关：环境变量 `VEC_ALPHA`（默认 0）、`VEC_M`（默认 2）、`VEC_BETA`（默认 0.3）。单输入阶段视图无速度可算，自动回退 copy_last。无阶段名/绝对时间/视图分支；输出只依赖数据与 seed（seed 0 两次运行逐位一致，已验证）。+## 方法（PLAN 家族 T2HX-04，机制完整实现，开关默认关） -## 网格结果（vec-score, T2:heart:val_extrap/proxy_noscale，A 半；地板=50.00）+- 基座与父节点8相同：`anchor_entry` 锚阶段（外推=末输入 E8.75，n=24826 ≤ max_cells=25179 → 整份输出，无抽样）；表达矩阵与坐标点集逐位不变。+- 机制：坐标 cKDTree 15-NN 图（与评分器邻域定义一致）固定不动；目标 = 坐标NN边上表达余弦相似度之和；每细胞在表达空间 kNN（k=10，L2归一化表达）里找交换伙伴，贪心2-opt，仅当交换严格提升目标（smooth，SIGN=+1）或严格降低（sharpen，SIGN=−1，对照方向）时接受；预算 B = 移动细胞比例（每交换动2个细胞）。+- 开关：`VEC_SWAP`（默认0=关；>0=移动比例）、`VEC_SIGN`（默认+1）、`VEC_CAND`（默认10）。单输入阶段视图天然成立（只用锚阶段自身表达+坐标），n<64 或预算为0时回退 identity。+- 确定性：rng=`default_rng(seed)` 只用于遍历顺序；seed 0/1 输出逐位一致（已验证，机制关闭时输出与seed无关）。无阶段名/绝对时间/视图分支。 -| 配置 | 榜分 | de_score | de_direction | mmd_u | variogram | neighborhood |-|---|---:|---:|---:|---:|---:|---:|-| alpha=0（对照，=copy_last） | **50.00** | 0（保护） | 0 | .0583 | .0581 | .1126 |-| alpha=0.5, m=2 | 49.87 | +0.042 | −0.015 | .0583 | .0643 | .1136 |-| alpha=2.0, m=2 | 49.58 | +0.042 | −0.015 | .0580 | .0731 | .1118 |-| alpha=0.5, m=4 | 49.09 | −0.083 | −0.075 | — | .0666 | — |+## 网格结果（vec-score, T2:heart:val_extrap/proxy_noscale, A半；6次查分） -- de_score/de_direction 原始值对 alpha（0.5→2.0）不变：clip(0) 后的 dp 秩结构不随幅度变（与父节点 6 的教训一致）。`write_t2` 强制 clip≥0，"不 clip 保留负值"的对照实测输出与 clip 版逐位相同（负位移在写盘时被截断），无法绕开零膨胀基因下行被截断的非对称衰减。-- m=4 把 PC7/PC10（|投影| 2.1/1.8）混入方向后 de_score 转负：确认父节点发现的 PC5/PC8（|投影| 3.43/3.42，本实现 0-based 索引 7/4）是速度的主要承载轴，但即使 m=2 只取这两轴，方向信号也不足以转正 de_direction。+| 配置 | 榜分 | neighborhood_mmd 原始 | local_spatial | shape_scale |+|---|---:|---:|---:|---:|+| **identity（提交，=copy_last）** | **50.00** | 0.11445 | 50.00 | 50.00 |+| smooth B=2% | 50.02 | 0.11433 | 50.03 | 50.00 |+| smooth B=5% | 50.02 | 0.11440 | 50.01 | 50.00 |+| smooth B=10% | 50.00 | 0.11431 | 50.03 | 50.00 |+| sharpen B=5% | 49.89 | 0.11565 | 49.74 | 49.74（门） | -## 机制生效证据与失效判定（按 PLAN mechanism_evidence）+**关键发现（推翻本次判读基准）**：评分器原始值逐次调用有噪声——同一份 identity 输出，父节点8测得 neighborhood_mmd=0.1126、mmd_u=0.05832，本节点测得 0.11445、0.05856（skill 均恰为0.5，因地板/天花板同次重算）。所以 PLAN 的"要求<0.1126"阈值实际是和一次噪声采样比较；同尺度下 smooth 各档（0.1143）与 identity（0.1144）不可区分，sharpen 略差且触发结构门（nb skill<0.5 → shape_scale 49.74，这解释了 node7 的 48.33）。 -1. 位移非常数：per-cell 调制 max(0,1+0.3·s_i)，dp 范数 0.295（alpha=0.5），500 个基因 dp 全非零——机制确实改变了表达。-2. dp 方向沿 v_clean（构造保证，clip 前逐位平行）。-3. **de_score 原始值 +0.042 < PLAN 阈值 0.05，且 de_direction 为负（−0.015）** → 按 PLAN 判定标准机制方向信号不足：E8.25→E8.75 速度在 PC5/PC8 上的去噪投影与 E8.75→E9.5 真值变化的秩相关≈0 或略负；零膨胀下行基因的 clip 衰减进一步压低 de_direction。-4. 任何 alpha>0 都损伤 variogram（.058→.064–.073，clip 对共变结构的非线性破坏），损失（−0.13~−0.29 分）超过 de 组收益（+0.14 分），全网格低于地板。-5. 对照（mechanism_off_control）：VEC_ALPHA=0 跳过全部速度计算与位移，输出走与父节点 6 相同的 take()/write_t2 路径，逐位等于 copy_last；本地双跑逐位一致，`vec-check --task T2:heart:val_extrap/proxy_noscale` 通过。+## 机制生效证据（按 PLAN mechanism_evidence） -## 结论与提交+1. (a) 移动比例：B=2/5/10% 分别 499/620/1241 次交换（预算饱和），moved>0，机制确实运行。+2. (b) neighborhood_mmd：smooth 各档与 identity 差 <0.0002（噪声内），sharpen +0.0012（略差）→ **机制未产生有效信号**。+3. (c) 校验：smooth B=5% 输出与 identity 输出——坐标逐位相等、表达行多重集逐位相等（排序后 ravel 与逐行和均一致）、伪批量逐基因相等、5.0% 行改变位置；只有配对变，符合设计。+4. (d) 四组分：expression_change/cell_state/shape_scale 全部钉在 50.00（表达多重集与坐标点集不变 + noscale 下形状 skill 钉地板）；local_spatial 50.00–50.03（噪声）。sharpen 例外：nb skill 掉破地板 → 结构门把 shape_scale 拉到 49.74。+5. (e) B 单调性：不存在——2%/5%/10% 的 nb 原始值平坦（0.11433/0.11440/0.11431），说明该轴上再配对对邻域分布的影响是"立即饱和的噪声级扰动"，不是随预算增长的定向改善。 -按 PLAN 风险条款 1 与边界规则（网格单调劣于地板时取边界）提交 alpha=0（=copy_last，对照实测 50.00）。未使用任何由已发布/保留阶段尺寸或保留信息算出的常数；未用外部数据（external/ 的 Qiu E8.75 未读）。知识来源：仅通用线性外推/PCA 去噪方法学，无阶段特异性生物学先验。+## 机制关闭对照（mechanism_off_control） -下一步最值得试：(a) expression_change 族在本地代理上已三度证伪（顶部 PC、速度投影 PC、per-type damped_shift），E8.25→E8.75 速度对 E8.75→E9.5 的秩预测力≈0，建议该榜放弃表达位移族，转向 node 5 已证明有效的坐标-表达配对重排（shape_scale +10）与外部 Qiu E8.75 型内状态细化（mmd_u 苗头）。+`VEC_SWAP=0`（默认）：跳过全部2-opt，走与父节点8相同的 take()/write_t2 路径，输出与父节点逐位一致（本地比对 final==off==父代码路径 True）；vec-check 通过；vec-score 实测 **50.00**，四组全 50.00。提交态即此对照（边界规则，与 node6/node8 先例一致）：网格无档超过地板噪声，按 PLAN no-go 条款取 identity。++## 结论++- node5 的 52.74（shape_scale 59.99）在 noscale 尺子下无法由纯配对置换产生（形状 skill 钉 0.5、门只减不增；local_spatial 50.98 也在噪声带上沿）——大概率是单次评分噪声/伪影，rank3 未复跑支持此判断。本族（T2HX-04/T2HX-06）两个方向、三个预算均已测尽，无信号。+- 未使用任何保留阶段/保留基因型信息；未读 external/；知识来源仅评分规则简报里的邻域定义（代码事实）。++## 下一步建议++- 该榜 copy_last 邻域结构已近局部最优：任何动配对的操作（平滑/锐化）都只能加噪声。表达位移族三度证伪、配对族两度证伪，剩下未试的杠杆只有 cell_state 组的 mmd_u/variogram（用 external/ 的 Qiu E8.75 做型内状态细化，node3 报告有苗头）——但注意 mmd_u 逐次噪声 ±0.0002，需要原始值明显低于同次 identity 才算信号，且本地对外推榜系统性高估。diff --git a/solution/run.py b/solution/run.pyindex 06e8daf..ec77bf7 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,74 +1,114 @@ #!/usr/bin/env python3-"""Velocity-projected PC displacement (T2 heart extrap, family T2HX-01).--copy_last base (stratified sample of the anchor = last input stage, coordinates,-cell count and composition untouched), then a directed per-cell displacement:--  v        = pseudobulk(anchor) - pseudobulk(previous input)      # global velocity-  V_sel    = top-m anchor-sample PCs by |V^T v|                   # denoising subspace-  v_clean  = V_sel (V_sel^T v), L2-normalised-  s_i      = (X_i - mu) . v_clean                                 # developmental lead-  X_new[i] = max(0, X_i + alpha * max(0, 1 + beta * s_i) * v_clean)--alpha = 0 (default / VEC_ALPHA=0) skips everything and reproduces copy_last-bit-for-bit (mechanism-off control). If the view has a single input stage,-velocity is undefined and the program falls back to copy_last.+"""Expression-kNN-guided bounded 2-opt re-pairing (T2 heart extrap, family T2HX-04).++copy_last base (anchor = last input stage, stratified sample to max_cells if+needed; expression matrix and coordinate point set bit-for-bit unchanged).++Mechanism: re-pair cells to coordinate slots. On the fixed coordinate 15-NN+graph (matching the scorer's neighbourhood definition), greedily swap the+expressions of two coordinate slots when the swap strictly increases the total+cosine expression similarity over coordinate-NN edges. Candidate partners for+each cell are its expression-space kNN (cells with similar expression sitting+at far-away coordinates). A budget B (fraction of cells allowed to move)+bounds the perturbation. VEC_SWAP=0 skips everything and reproduces copy_last+bit-for-bit (mechanism-off control). Works on a single input stage view: only+the anchor's own expression + coordinates are used. """  from __future__ import annotations  import argparse import os+import time  import numpy as np  from src.task2_spatial.sample import take from src.task2_spatial.view_io import anchor_entry, load_manifest, panel_genes, read_stage, write_t2 -ALPHA = float(os.environ.get("VEC_ALPHA", "0.0"))-M_PC = int(os.environ.get("VEC_M", "2"))-BETA = float(os.environ.get("VEC_BETA", "0.3"))-CLIP = os.environ.get("VEC_CLIP", "1") != "0"+# Mechanism switch. Grid {2%,5%,10%} x {smooth,sharpen} all raised+# neighborhood_mmd above the copy_last floor (0.1126 -> >=0.1143), so the+# boundary rule applies: default 0 = off = bit-for-bit copy_last.+SWAP = float(os.environ.get("VEC_SWAP", "0.0"))  # fraction of cells allowed to move; 0 = off+N_CAND = int(os.environ.get("VEC_CAND", "10"))  # expression-kNN candidate partners+SIGN = float(os.environ.get("VEC_SIGN", "1"))  # +1 smooth (similarity up), -1 sharpen+DEBUG = bool(os.environ.get("VEC_DEBUG"))  -def velocity_direction(Xa: np.ndarray, v: np.ndarray, m: int) -> np.ndarray | None:-    """Project global velocity v onto the top-m PCs of anchor sample Xa; return unit vector.+def repermute(X: np.ndarray, coords: np.ndarray, budget_frac: float, seed: int):+    """Greedily re-pair expression rows to fixed coordinate slots. -    PCs via eigendecomposition of the gene covariance (500x500); v_clean =-    V_sel V_sel^T v is invariant to eigenvector sign, hence deterministic.+    Objective: maximise sum over coordinate-NN edges (i,j) of cosine similarity+    between the expressions currently sitting at slots i and j. Only the pairing+    changes; the multiset of expression rows and the coordinate array are+    untouched. Returns (X_permuted, swaps_made).     """-    mu = Xa.mean(axis=0)-    var = Xa.var(axis=0)-    keep = var > 0-    Xc = Xa[:, keep] - mu[keep]-    kk = int(min(max(m, 1), Xc.shape[1] - 1, Xc.shape[0] - 1))-    if kk < 1:-        return None-    C = Xc.T @ Xc-    C = 0.5 * (C + C.T)-    w, V = np.linalg.eigh(C)  # ascending eigenvalues-    Vt = V[:, ::-1].T  # descending-    vk = v[keep]-    proj = Vt @ vk-    sel = np.argsort(-np.abs(proj))[:kk]-    Vsel = Vt[sel]-    v_clean = np.zeros_like(v)-    v_clean[keep] = Vsel.T @ (Vsel @ vk)-    nrm = np.linalg.norm(v_clean)-    if not np.isfinite(nrm) or nrm <= 0:-        return None-    return v_clean / nrm---def displace(X: np.ndarray, v_unit: np.ndarray, alpha: float, beta: float) -> tuple[np.ndarray, float]:-    mu = X.mean(axis=0)-    s = (X - mu) @ v_unit  # developmental lead along the velocity direction-    fac = np.maximum(0.0, 1.0 + beta * s)-    Xn = X + alpha * fac[:, None] * v_unit[None, :]-    if not CLIP:-        return Xn, float("nan")-    clipped = float((Xn < 0).mean())-    return np.maximum(Xn, 0.0), clipped+    n = X.shape[0]+    budget = int(budget_frac * n / 2)  # swaps; each swap moves 2 cells+    if budget <= 0 or n < 64:+        return X, 0+    from scipy.spatial import cKDTree+    from sklearn.neighbors import NearestNeighbors++    rng = np.random.default_rng(seed)+    K = 15+    ctree = cKDTree(coords)+    nb = ctree.query(coords, k=K + 1)[1][:, 1:]  # coordinate 15-NN, self excluded+    nb = np.ascontiguousarray(nb)++    Xf = X.astype(np.float32)+    Xn = Xf / (np.linalg.norm(Xf, axis=1, keepdims=True) + 1e-9)+    etree = NearestNeighbors(n_neighbors=min(N_CAND + 1, n)).fit(Xn)+    cand = etree.kneighbors(Xn, return_distance=False)[:, 1:]++    t0 = time.time()+    S = Xn @ Xn.T  # cosine similarity, float32+    if DEBUG:+        print(f"S built in {time.time()-t0:.1f}s")++    moved = np.zeros(n, dtype=bool)+    order = rng.permutation(n)+    swaps = 0+    gains = []+    t0 = time.time()+    ar = np.arange(n)+    for i in order:+        i = int(i)+        if swaps >= budget:+            break+        if moved[i]:+            continue+        nbi = nb[i]+        base_i = S[i, nbi].sum()+        best_j, best_gain = -1, 0.0+        for j in cand[i]:+            j = int(j)+            if j == i or moved[j]:+                continue+            nbj = nb[j]+            nbj_f = nbj[nbj != i]+            nbi_f = nbi[nbi != j]+            gain = SIGN * float(+                (S[i, nbj_f].sum() + S[j, nbi_f].sum())+                - (S[i, nbi_f].sum() + S[j, nbj_f].sum())+            )+            if gain > best_gain:+                best_gain, best_j = gain, j+        if best_j >= 0:+            j = best_j+            X[[i, j]] = X[[j, i]]+            S[[i, j]] = S[[j, i]]+            S[:, [i, j]] = S[:, [j, i]]+            moved[i] = moved[j] = True+            swaps += 1+            gains.append(best_gain)+    if DEBUG:+        tot = float(np.sum(gains)) if gains else 0.0+        print(+            f"2-opt done in {time.time()-t0:.1f}s swaps={swaps} moved={2*swaps} "+            f"({2*swaps/n:.3%}) total_gain={tot:.2f}"+        )+    return X, swaps   def main() -> None:@@ -80,7 +120,6 @@ def main() -> None:      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)-    inputs = sorted(manifest["inputs"], key=lambda e: float(e["time"]))     stage = read_stage(args.data, anchor_entry(manifest), genes)     n = int(np.clip(stage.n, manifest["min_cells"], manifest["max_cells"]))     rng = np.random.default_rng(args.seed)@@ -91,16 +130,10 @@ def main() -> None:     X = stage.X[rows].toarray().astype(np.float32)     coords = stage.coords[rows] -    if ALPHA != 0.0 and len(inputs) >= 2:-        prev = read_stage(args.data, inputs[-2], genes)-        anchor_full = read_stage(args.data, inputs[-1], genes)-        v = np.asarray(anchor_full.X.mean(axis=0)).ravel() - np.asarray(prev.X.mean(axis=0)).ravel()-        v_unit = velocity_direction(X.astype(np.float64), v.astype(np.float64), M_PC)-        if v_unit is not None:-            X64, clip_frac = displace(X.astype(np.float64), v_unit, ALPHA, BETA)-            if os.environ.get("VEC_DEBUG"):-                print(f"clip_frac={clip_frac:.4f} ||v||={np.linalg.norm(v):.4f}")-            X = X64.astype(np.float32)+    if SWAP > 0.0:+        X, swaps = repermute(X, coords, SWAP, args.seed)+        if DEBUG:+            print(f"VEC_SWAP={SWAP} swaps={swaps}")      write_t2(args.out, X, coords, 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

完成。总结：

**做了什么**：按 PLAN（T2HX-04）在 copy_last 基座上实现表达kNN引导的有界贪心2-opt坐标-细胞再配对（坐标15-NN图、余弦目标、预算B限移动比例、VEC_SWAP开关），跑了 smooth B∈{2%,5%,10%} 与 sharpen B=5% 共5个配置，6次查分。

**查分结果**：全部无信号——smooth 各档 50.00–50.02、sharpen 49.89（触发结构门）。关键发现：评分器原始值逐次调用有噪声（同一份 identity 输出 neighborhood_mmd 父测 0.1126、本测 0.11445），smooth 与地板不可区分。按 PLAN no-go 条款以机制关闭（VEC_SWAP=0，逐位=copy_last，vec-check 通过，实测 50.00，seed 0/1/7 确定）提交。node5 的 52.74 在 noscale 尺子下无法由纯配对置换产生，判定为单次评分伪影。

**下一步最值得试**：该榜配对族与表达位移族均已证伪，唯一未试杠杆是 cell_state 组——用 external/ 的 Qiu E8.75 做型内状态细化（mmd_u/variogram），需以同次 identity 为基准判断信号，且警惕本地对外推榜的系统性高估。

调研员

明确建议放弃表达位移、转向坐标-表达配对。树中唯一高于地板的结果是node5（52.74，shape_scale 50→59.99），做法是'表达kNN引导的坐标置换'，只改表达-位置配对、表达矩阵与坐标点集逐位不变，恰好命中权重最大的neighborhood_mmd（25分+结构门住形状组25分，当前0.1126在地板）。本节点在copy_last基座上复刻该机制并加界与早停，避开node7（Dirichlet能量最小化、过度平滑，shape_scale跌到48.33）的失败模式。",
  "approach": "基座=copy_last（末输入阶段分层抽到max_cells，表达X与坐标C原样）。机制：在坐标15-NN图（与评分器邻域定义一致）上做有界贪心2-opt再配对——每次考虑交换两个坐标槽上的细胞，仅当交换严格提升'坐标邻居间表达相似度'（即降低坐标-NN边上表达距离之和的相反数）才接受；用交换预算B限制扰动幅度，避免node7式过度平滑。B初值取让≤5%细胞移动，搜索范围{2%,5%,10%}三档。关键：表达矩阵与坐标点集逐位不变，只重排细胞↔坐标的配对，因此de_score/de_direction/mmd_u/variogram保持地板不受损，只可能改善neighborhood_mmd与（通过结构门）形状组。单输入阶段视图：再配对只需锚阶段自身的表达+坐标，天然成立，无需速度，无需退路特判；若n过小或NN图退化则回退identity。vec-score快筛：先跑B=5%单档，读score_parts中neighborhood_mmd原始值，要求<0.1126且形状三项不恶化才继续；否则直接提交identity（=copy_last）。因预期增量贴近T2约1分噪声，任何候选须在A半上复查一次且领先≥1.5分才视为信号（正式分用B半，本地对外推榜高估，勿把小幅领先当真）。坐标可选做k026规范化（减质心→PCA轴→det=+1→三阶矩定向）仅作方差去除，放在机制开关之后，保证off对照逐位等于copy_last。",
  "expected_groups": ["local_spatial", "shape_scale"],
  "risks": "(1) node5的+10是单种子未复跑（rank3=-），可能是噪声或取向伪影；node7同族却失败（48.33），说明该机制不稳——Engineer应第1-2次查分就看neighborhood_mmd原始值，若≥0.1126立刻回退identity，别耗满20次查分。(2) 评分端看不到真值，再配对只能靠输入自身结构做先验，可能并不更接近E9.5；若三档B都不改善即机制不成立。(3) 过度交换会重蹈node7过度平滑、伤形状；用预算B上限控制。(4) 本地代理对外推榜系统性高估，A半领先<1分不算数。尽早在第3次查分前做go/no-go。",
  "family_id": "T2HX-04",
  "mechanism": "保持表达矩阵与坐标点集不变，仅用有界贪心2-opt重排'哪个细胞占据哪个坐标'，使坐标邻居的表达更相似，从而改善每个细胞15-NN平均表达分布（neighborhood_mmd）与其结构门住的形状组。",
  "vs_constant_shift": "完全不改动任何表达值：每型常数位移/全局组成重加权是给每个细胞的表达加同一向量或改组成，本方案表达逐位不变，只非均匀地（逐细胞、由局部结构引导）改变细胞的空间落点。任何按型常数位移都无法复现'表达不变、位置重排'的效果，二者作用对象不同（表达空间 vs 配对关系）。",
  "mechanism_evidence": "Engineer须报告：(a) 被移动的细胞比例与接受的交换数（>0才说明机制运行）；(b) neighborhood_mmd原始值由0.1126是否下降；(c) 校验表达矩阵与坐标点集逐位不变（只有配对改变）；(d) 四组分各自变化——预期local_spatial升、shape_scale经结构门不降、expression_change与cell_state保持地板；(e) 不同B档的单调性。若移动比例>0但neighborhood_mmd不降，即机制未产生有效信号。",
  "mechanism_off_control": "同一程序将交换预算B=0（或环境变量VEC_SWAP=0）：跳过全部2-opt，配对为恒等，输出走与父节点8相同的take()/write_t2路径，逐位等于copy_last，榜分应恰为50.00、八项原始值与父节点完全一致。若off输出与copy_last有任何逐位差异，说明基座被污染，须先修复。",
  "sources": []
}
```

审查员

REVIEW.json written