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

节点 n14

CollecTRI 调控方向先验逐基因符号微扰：已实现并实测，α=0.25 得 43.65（de_direction 原始 −0.0004≈0，方向先验无信号；variogram 0.058→0.172 严重受损），按 PLAN 停止规则以机制关闭态提交（VEC_ALPHA=0，输出逐位=copy_last，对照实测 50.00）。

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 0a2432bccc: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 c6ef840565。改动的文件：solution/METHOD.md +30 −26、solution/run.py +83 −142

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 8546109..44b383b 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,41 +1,45 @@-表达kNN引导坐标置换（T2HX-06，node5复刻）：机制已实现并实测，贪心2-opt交换49759对细胞-坐标配对使内部cosine-15NN目标下降，但neighborhood_mmd原始值反升（0.11445→0.1152）、d2_shape变差，总分49.85<地板50，按PLAN停止规则默认关闭（VEC_NSWAPS=0），提交输出逐位等于copy_last。+CollecTRI 调控方向先验逐基因符号微扰：已实现并实测，α=0.25 得 43.65（de_direction 原始 −0.0004≈0，方向先验无信号；variogram 0.058→0.172 严重受损），按 PLAN 停止规则以机制关闭态提交（VEC_ALPHA=0，输出逐位=copy_last，对照实测 50.00）。 -## 方法+## 方法（PLAN：CollecTRI 调控方向先验驱动的逐基因符号微扰） -1. 基座与父节点3完全相同：anchor=末观测阶段，n 夹到 [min_cells, max_cells]，`take` 按型分层抽样，X 与坐标原样输出。-2. 机制层（T2HX-06，`VEC_NSWAPS>0` 时启用）：-   - 表达 kNN：完整表达矩阵 cosine，k=15（与评分 neighborhood_mmd 的 15-NN 对齐），另取 16 邻做候选；-   - 空间 kNN：坐标 euclidean，缓存 pool=60 近邻；-   - 候选对：表达 kNN 中不在空间 15-NN 内的 (i,j)，去重后按 seed 洗牌；-   - 贪心 2-opt：交换 i、j 坐标，Δ = 受影响细胞集（i、j、两者的空间近邻）各自"与空间 15-NN 表达的 cosine 距离和"的变化（候选池 = 静态 pool + 显式加入换位的 i/j），Δ<0 接受并交换 pool，无交换次数上限（修正 node10 的预算约束）；迭代 3 轮，每轮重算空间 kNN。-   - 输出保证：X 逐位不变，坐标点集（多重集）逐位不变（程序内校验），仅细胞-坐标配对改变。-3. 机制关闭对照（PLAN mechanism_off_control）：`VEC_NSWAPS=0`（**当前默认**）跳过全部交换循环。+1. 基座与父节点 12 对照相同：anchor=末观测阶段（`anchor_entry`），n 夹到 [min_cells, max_cells]，`take` 按型分层抽样，X 与坐标原样输出。+2. 机制（`VEC_ALPHA>0` 时启用）：+   - 读 `<view>/prior/tf_regulons/collectri_mouse.tsv.gz`（TF→target，mor 符号）；只用 TF 与 target 都在输出面板内的边（本视图 411 条边、94 个面板内 TF、覆盖 176/500 基因；TF 列 UniProt 型仅 7 个，匹配率风险解除，未触发 PLAN 风险 3 的放弃条件）；+   - activity_t = anchor 输出细胞中 TF t 的平均表达；score_g = Σ_{t→g} sign(t→g)×activity_t；+   - S = |score_g| > median(|score|)（median=0，S=176 个 score≠0 的基因）；sign_g = sign(score_g)，g∉S 时 0；+   - X_new[:,g] = clip(X[:,g] + α·sign_g·std_g, 0, ∞)，std_g = anchor 输出细胞的逐基因 std。+   - 不依赖第二时间点，单输入视图天然兼容；不改坐标、细胞数、组成。+3. 机制关闭对照（PLAN mechanism_off_control）：`VEC_ALPHA=0`（**当前默认**）跳过全部微扰，输出逐位等于 copy_last。 -## 对照与实测（proxy_noscale，3 次查分）+## 对照与实测（proxy_noscale，4 次查分） -- 对照 VEC_NSWAPS=0：**50.00**，四组全 50，输出 = copy_last。✓（管线无副作用）-- 全量置换（3 轮，49759 次交换，412s，坐标多重集校验通过）：**49.85**-  - neighborhood_mmd 原始 0.11445 → **0.1152（升高，机制方向失败）**，local_spatial 49.84；-  - d2_shape 0.04891 → 0.04944（变差），occupancy_dice 0.8148 → 0.8145（差 0.0003 < 0.002，按 PLAN 视为噪声），shape_scale 49.57；-  - 表达两组、cell_state 逐位不变（机制只动配对）。-- PLAN 停止规则："若 neighborhood_mmd 原始值未降，停止调参、以对照提交" → 触发，默认 VEC_NSWAPS=0。+- 对照 α=0：**50.00**，八项全部 skill=0.5（de_score/de_direction 原始 0，无变化保护生效）。✓ 与父节点对照逐位一致（同 seed 同基座代码路径）。+- α=0.25：**43.65**。机制证据核验：+  - de_direction 原始 **−0.0004 ≈ 0**：CollecTRI 净调控输入与真实 E8.75→E9.5 变化方向的秩相关为零，方向先验假设被否证（PLAN 风险 1 成真）；+  - de_score 原始 **−0.389**：按 dp=α·sign_g·std_g 排序选出的"变化基因"比 chance 更差——符号场虽无方向信号，但幅度由 std_g 主导，把高 std 基因系统性推入 top 名单，反而低于随机；+  - variogram 原始 0.0581→**0.1721**（组 35.8）：逐基因常数位移虽不改细胞间成对差，但 clip(X+Δ,0,∞) 在低表达基因上截断，破坏了基因间共变结构；+  - mmd_u 0.0586→0.0677、neighborhood_mmd 0.1145→0.1316：位移分布整体偏移，均劣化；+  - 形状三项不变（机制不动坐标）。+  - PLAN 停止规则"α=0.25 总分<50 → 立即以对照提交"触发，未再测 α=0.5（α 只会线性放大同一错误方向场与 clip 损伤）。+- 附加探索（非 PLAN，1 次查分）：分层稀释输出细胞到 50%（12413 个）检验"细胞密度→15-NN 覆盖半径→neighborhood_mmd"假设：**47.74**，neighborhood_mmd 0.1145→0.1198 反而变差，且抽样噪声使 DE 脱离无变化保护（de_score −0.222）。真值阶段的邻域平均不比 anchor 全密度输出更平滑，密度假设被否证。该变体未写入 run.py。 -## 机制证据与结论（family T2HX-06）+## 结论与教训 -- 机制确实生效：改变了 49759 对细胞-坐标配对（约 2×细胞数的配对尝试中接受 ~1.6 万次/轮），内部目标（Σ cosine 距离到空间 15-NN）单调下降。-- 但内部目标与评分指标不同向：把表达相似的细胞搬成空间邻居会"锐化"预测的邻域平均表达分布，而真值 E9.5 的邻域平均分布并不更锐，MMD 反而变大。这解释了 node5（52.74）的 shape_scale 59.99 更可能来自行序改变导致的评分器子抽样差异（PLAN 风险 1），而非可复现的机制收益——本次实现中 occupancy_dice 变化 < 0.002（噪声），d2_shape 变差。-- node7/9（Dirichlet 能量目标）与本次（cosine-15NN 目标）两种目标函数都实测低于地板：坐标配对置换家族在无真值方向信息的外推榜上没有可靠收益。+- 本榜四个已试方向族全部否证：坐标/配对重排（node3/5/7/9/10/12）、速度/PCA 位移（node2/4/6/8/11）、CollecTRI 符号微扰（本节点）、细胞密度稀释（本节点）。de_direction≈0 说明"哪些基因将变"在本视图可用信息（面板表达 + 通用调控网络结构）里没有可提取的信号；任何非零 dp 都会同时付出 variogram/mmd_u/neighborhood_mmd 的分布损伤代价，而 DE 组收益为零或负——expression_change 组的"无变化保护=地板"实际上是本榜现有信息下的局部最优。+- 提交 = 对照（copy_last），预期榜分 50.00（B 半噪声内）。  ## 验证过 / 没验证 -- 验证过：对照=50.00 逐位等于 copy_last；全量置换 49.85 及四组分解；坐标多重集不变性（程序内 assert 级校验）；确定性（固定 seed 的 rng 洗牌，无全局随机态）。-- 没验证：同型内限制的置换变体（时间不够）；其他 k / 目标函数——但停止规则已触发，且两种目标（本节点与 node7/9）都失败，判断该家族不值得继续。-- 运行时 ~7s（默认对照路径）；机制路径 ~8 分钟，仍在 30 分钟限制内。+- 验证过：对照=50.00 且与父节点对照八项原始值一致；α=0.25 全指标分解；同 seed 双跑输出逐位相同（确定性）；vec-score status=scored（格式合规；vec-check 对本 client 拒绝该 task，无法直接跑）；代码不读绝对时间/阶段名/board 字段，α=0 路径不读 prior，时间平移伪装下输出不变。+- 没验证：α=0.5（停止规则触发，方向已由 α=0.25 的 de_direction≈0 判定）；sign 随机打乱对照（PLAN 证据 3——α=0.25 的 de_direction 本身已≈0，与打乱预期无异，省 1 次查分）；仅对 score 连续值加权（非符号化）的微扰变体。+- 运行时 ~2s（对照路径），内存 <1 GB。  ## 知识来源 -无外部生物知识；15-NN 对齐来自评分规则简报的公开描述（neighborhood_mmd 定义）。+- CollecTRI 转录因子调控网络（TF→target 激活/抑制符号）：来自视图内 `prior/tf_regulons/`，属"不针对禁窗阶段的通用机制知识"，不含任何保留阶段/基因型的测量信息。+- 无其他外部知识；未使用任何已发布阶段的尺寸、比例或表达统计常数。  ## 下一步建议 -置换家族两次独立实现（Dirichlet、cosine-15NN）均低于地板，建议放弃 T2HX-06；外推榜唯一未试尽的方向是 expression_change 组：父节点已证明速度外推无信号，剩下的是用 prior（Reactome/CollecTRI）构造符号级方向假设并只做秩一致的保守调整，或直接接受 copy_last 保底。+- 本榜在"仅 anchor + 通用先验"的信息集下，50.00 可能已接近可达上限；建议停止微扰/重排家族的尝试。+- 若继续，唯一未动过且不依赖方向的量是输出细胞组成的再加权（composition 不参与排名指标，但影响 mmd_u/neighborhood_mmd 的分布位置）——但 node 系列已间接说明分布移动类操作在此榜全部劣化，预期收益低。diff --git a/solution/run.py b/solution/run.pyindex e610b14..3ddbd56 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,25 +1,37 @@ #!/usr/bin/env python3-"""T2 extrapolation: expression-kNN-guided greedy 2-opt coordinate permutation.--Mechanism (family T2HX-06, replication of node 5): on the anchor (last observed)-stage output, find pairs of cells that are similar in expression (cosine kNN,-k=15, aligned with the neighborhood_mmd metric's 15-NN definition) but not-already spatial neighbours, and greedily swap their coordinates when the swap-reduces the total cosine distance between every cell's expression and its-spatial 15-NN expressions. The expression matrix is bitwise unchanged and the-coordinate point multiset is unchanged; only the cell-coordinate pairing-changes.--VEC_NSWAPS=0 disables all swaps (mechanism-off control: output bitwise equals-copy_last). No absolute stage names, times or sizes are used; view-independent.+"""T2 extrapolation: CollecTRI regulatory-direction prior driving a bounded+per-gene sign perturbation of the copy_last anchor output.++Base (identical to parent node 12 control / node 1 copy_last): anchor = last+observed stage, n clipped to [min_cells, max_cells], stratified-by-celltype+sampling via ``take``, coordinates passed through unchanged.++Mechanism (family "other", PLAN CollecTRI direction prior):+  1. Load CollecTRI (TF -> target, mor sign) from <view>/prior/tf_regulons/.+  2. For each TF present in the output panel, activity_t = mean anchor+     expression of gene t.+  3. For each panel gene g: score_g = sum over edges (t->g, t in panel) of+     sign(t->g) * activity_t.+  4. Perturbed set S = genes with score_g != 0 (equivalently |score_g| above+     the median of |score| when most panel genes are unregulated).+     sign_g = sign(score_g) for g in S, else 0.+  5. X_new[:, g] = clip(X[:, g] + alpha * sign_g * std_g, 0, inf),+     std_g = per-gene std over the output cells of the anchor.+  6. alpha = 0 (VEC_ALPHA=0) is the mechanism-off control: output bitwise+     equals copy_last. No second time point is required; single-input views+     work unchanged.++View-independent: no absolute stage names, times, sizes or hardcoded+constants from published stages. Deterministic given --seed. """  from __future__ import annotations  import argparse+import gzip import os import sys-import time+from pathlib import Path  import numpy as np @@ -32,12 +44,41 @@ from src.task2_spatial.view_io import (     write_t2, ) -KNN_K = 15           # spatial neighbourhood size (matches metric definition)-POOL = 60            # cached spatial neighbours per cell for delta evaluation-EXPR_K = 16          # expression kNN incl. self-ROUNDS = int(os.environ.get("VEC_ROUNDS", "3"))-NSWAPS = int(os.environ.get("VEC_NSWAPS", "0"))  # proxy test: permutation harmful (49.85 < 50), default off per PLAN stop-rule-EPS = 1e-9+# Proxy measurement (proxy_noscale): alpha=0.25 scored 43.65 (de_direction raw+# -0.0004 ~ 0: CollecTRI net regulatory input carries no directional signal for+# this extrapolation; de_score -0.389; variogram 0.058->0.172 destroyed by the+# per-gene constant shift). PLAN stop-rule -> default off (= copy_last).+ALPHA = float(os.environ.get("VEC_ALPHA", "0"))+++def collectri_scores(view: str, genes: list[str], tf_mean: dict[str, float]):+    """score_g = sum_{t->g, t measured} sign * activity_t, per panel gene."""+    gidx = {g: i for i, g in enumerate(genes)}+    path = Path(view) / "prior" / "tf_regulons" / "collectri_mouse.tsv.gz"+    scores = np.zeros(len(genes), dtype=np.float64)+    n_edges = 0+    if not path.exists():+        return scores, n_edges+    with gzip.open(path, "rt") as f:+        header = f.readline().rstrip("\n").split("\t")+        i_tf = header.index("tf")+        i_tg = header.index("target")+        i_mor = header.index("mor")+        for line in f:+            p = line.rstrip("\n").split("\t")+            tf = p[i_tf]+            tg = p[i_tg]+            if tf not in tf_mean or tg not in gidx:+                continue+            try:+                mor = float(p[i_mor])+            except ValueError:+                continue+            if mor == 0.0:+                continue+            scores[gidx[tg]] += np.sign(mor) * tf_mean[tf]+            n_edges += 1+    return scores, n_edges   def main() -> None:@@ -59,129 +100,29 @@ def main() -> None:      X = stage.X[rows].toarray().astype(np.float32)     coords = np.ascontiguousarray(stage.coords[rows], dtype=np.float64)[:, :3]-    n_cells = X.shape[0]--    if NSWAPS > 0 and n_cells > KNN_K + 2:-        t0 = time.time()-        from sklearn.neighbors import NearestNeighbors--        nn_e = NearestNeighbors(n_neighbors=min(EXPR_K, n_cells), metric="cosine").fit(X)-        _, eidx = nn_e.kneighbors(X)--        Xn = X.astype(np.float64)-        nrm = np.linalg.norm(Xn, axis=1, keepdims=True)-        nrm[nrm == 0] = 1.0-        Xn = Xn / nrm-        G = Xn @ Xn.T  # cosine similarity-        np.fill_diagonal(G, -1.0)-        del Xn--        P = coords.copy()-        pool = np.zeros((n_cells, POOL), dtype=np.int64)-        nswaps = 0-        k = min(KNN_K, n_cells - 1)--        for rd in range(ROUNDS):-            nn_s = NearestNeighbors(n_neighbors=min(POOL, n_cells)).fit(P)-            _, sidx = nn_s.kneighbors(P)-            pool[:, : sidx.shape[1]] = sidx-            snbr_set = [set(r[:KNN_K].tolist()) for r in sidx]--            # candidate pairs: expression-similar but not already spatial neighbours-            seen = set()-            cands = []-            for i in range(n_cells):-                row_e = eidx[i]-                row_s = snbr_set[i]-                for jj in row_e:-                    j = int(jj)-                    if j == i or j in row_s:-                        continue-                    key = (i, j) if i < j else (j, i)-                    if key not in seen:-                        seen.add(key)-                        cands.append(key)-            cands = np.array(cands, dtype=np.int64)-            rng.shuffle(cands)-            print(f"[diag] round {rd}: {len(cands)} candidate pairs, setup {time.time()-t0:.1f}s", file=sys.stderr)--            ar_n = np.arange(n_cells, dtype=np.int64)-            acc_this_round = 0-            for pair in cands:-                if nswaps >= NSWAPS:-                    break-                i = int(pair[0])-                j = int(pair[1])-                pi = P[i].copy()-                pj = P[j].copy()-                si = pool[i].copy()-                sj = pool[j].copy()-                A = np.union1d(si, sj)-                A = A[(A != i) & (A != j)]-                m = A.shape[0]--                # ---- cost for i and j themselves (candidates = partner's pool) -----                def _self_cost(pos, Cp, Gx):-                    Cp = Cp[(Cp != i) & (Cp != j)]-                    d = np.sqrt(((P[Cp] - pos) ** 2).sum(1))-                    s = Gx[Cp]-                    d = np.concatenate([[0.0], d])          # self, distance 0-                    s = np.concatenate([[1.0], s])          # self, similarity 1-                    kk = min(k, d.shape[0])-                    sel = np.argpartition(d, kk - 1)[:kk]-                    return float(kk - s[sel].sum())--                pre_i = _self_cost(pi, si, G[i])-                pre_j = _self_cost(pj, sj, G[j])-                post_i = _self_cost(pj, sj, G[i])-                post_j = _self_cost(pi, si, G[j])--                # ---- cost for affected bystanders A (positions unchanged) -----                PA = P[A]-                CA = pool[A]                                   # m x POOL-                mask = (CA == i) | (CA == j) | (CA == A[:, None])-                Dp = np.sqrt(((P[CA] - PA[:, None, :]) ** 2).sum(2))-                Dp[mask] = np.inf-                Sp = G[A[:, None], CA]-                Sp[mask] = -1.0-                dAi = np.sqrt(((PA - pi) ** 2).sum(1))-                dAj = np.sqrt(((PA - pj) ** 2).sum(1))-                sAi = G[A, i][:, None]-                sAj = G[A, j][:, None]-                d0 = np.zeros((m, 1))-                s1 = np.ones((m, 1))--                def _bystander(di_col, dj_col):-                    D = np.hstack([Dp, di_col, dj_col, d0])-                    S = np.hstack([Sp, sAi, sAj, s1])-                    kk = min(k, D.shape[1])-                    sel = np.argpartition(D, kk - 1, axis=1)[:, :kk]-                    return float((kk - S[np.arange(m)[:, None], sel].sum(1)).sum())--                pre_A = _bystander(dAi[:, None], dAj[:, None])-                post_A = _bystander(dAj[:, None], dAi[:, None])--                delta = (post_i + post_j + post_A) - (pre_i + pre_j + pre_A)-                if delta < -EPS:-                    P[i] = pj-                    P[j] = pi-                    pool[i] = sj-                    pool[j] = si-                    nswaps += 1-                    acc_this_round += 1--            print(f"[diag] round {rd}: accepted {acc_this_round}, total {nswaps}, {time.time()-t0:.1f}s", file=sys.stderr)-            if acc_this_round == 0:-                break--        coords = np.ascontiguousarray(P, dtype=np.float64)-        src_coords = np.ascontiguousarray(stage.coords[rows], dtype=np.float64)[:, :3]-        for c in range(3):-            if not np.array_equal(np.sort(coords[:, c]), np.sort(src_coords[:, c])):-                print("[diag] WARNING: coordinate multiset changed!", file=sys.stderr)-        print(f"[diag] permutation done: {nswaps} swaps, {time.time()-t0:.1f}s", file=sys.stderr)++    if ALPHA != 0.0:+        gset = set(genes)+        tf_mean = {+            g: float(X[:, i].mean())+            for i, g in enumerate(genes)+            if g in gset+        }+        scores, n_edges = collectri_scores(args.data, genes, tf_mean)+        nz = scores != 0.0+        med = float(np.median(np.abs(scores)))+        perturbed = nz & (np.abs(scores) > med) if med > 0 else nz+        sign = np.zeros(len(genes), dtype=np.float32)+        sign[perturbed] = np.sign(scores[perturbed]).astype(np.float32)+        std = X.std(axis=0).astype(np.float32)+        X = np.clip(X + (ALPHA * sign * std)[None, :], 0.0, None).astype(np.float32)+        print(+            f"[diag] alpha={ALPHA} edges_used={n_edges} perturbed={int(perturbed.sum())}"+            f"/{len(genes)} median_abs={med:.4f}",+            file=sys.stderr,+        )     else:-        print("[diag] control (NSWAPS=0): output = copy_last", file=sys.stderr)+        print("[diag] control (VEC_ALPHA=0): output = copy_last", file=sys.stderr)      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

**做了什么**：按 PLAN 实现了 CollecTRI 调控方向先验的逐基因符号微扰（411 条面板内 TF→target 边、176/500 基因受扰动，α 环境开关，α=0 为关闭对照）；另加试了细胞密度稀释假设。

**查分结果**（4/20 次）：α=0.25 → **43.65**（de_direction 原始 −0.0004≈0，方向先验无信号；de_score −0.389；variogram 0.058→0.172 被 clip 截断严重破坏）；密度稀释 50% → 47.74（neighborhood_mmd 反升）；对照 α=0 → **50.00**（八项全在地板，与父节点逐位一致）。PLAN 停止规则触发，提交机制关闭态（=copy_last），已验证确定性、格式合规、视图无关。

**下一步最值得试**：本榜四个方向族（坐标配对、速度/PCA 位移、调控先验微扰、密度）均已否证，de_direction≈0 表明现有信息集下"哪些基因将变"不可提取，50 大概率是局部最优；若必须继续，只剩输出组成的类型级再加权一条未直接试过，但同类分布移动操作全部劣化，预期收益低——建议控制器把预算转向其他榜。

调研员

骤：\n1. 基座与父节点相同：anchor=末观测阶段，n 夹到 [min_cells, max_cells]，take 按型分层抽样，坐标原样输出。\n2. 加载 prior/ 中 CollecTRI（TF→target, sign∈{+1,−1}）。对每个 TF t，计算 activity_t = mean(X[:, t])（anchor 中该 TF 的平均表达）。对每个基因 g，计算调控净输入 score_g = Σ_{t→g} sign(t→g) × activity_t。取 |score_g| > median(|score|) 的基因作为受扰动集合 S（约 50% 基因）。\n3. 对 g∈S，sign_g = sign(score_g)；对 g∉S，sign_g = 0。逐基因标准差 std_g = std(X[:, g])。\n4. 微扰：X_new[:, g] = clip(X[:, g] + α × sign_g × std_g, 0, +∞)。α 网格 {0.25, 0.5}（环境变量 VEC_ALPHA）。α=0 为关闭对照。\n5. 单输入阶段退路：本方案只依赖 anchor 阶段的表达矩阵和 prior 网络，不需要第二个时间点，天然兼容单阶段。\n6. 查分策略：先跑 α=0 对照确认=50.00（1 次查分）；再跑 α=0.25（1 次）；若 de_direction>0 且总分≥51 则跑 α=0.5（1 次）；否则停止。共≤4 次查分。若 α=0.25 总分<50，立即以对照提交。\n7. 关键约束：不改变坐标、不改变细胞数、不改变组成；微扰幅度≤0.5×std_g，保证 mmd_u/variogram/neighborhood_mmd 在噪声内。",
  "expected_groups": ["expression_change"],
  "risks": "1) CollecTRI 的调控方向可能不预测 E8.5→E9.5 的真实变化方向（如某些基因在该阶段受其他机制主导），导致 de_direction<0、DE 组反降。Engineer 应在第一次 α=0.25 查分后立即检查 de_direction 原始值：若<0 则停止，以对照提交。2) 微扰可能轻微影响 mmd_u（分布偏移）；α≤0.5×std 时预期影响<噪声（1分），若 mmd_u 组降>1 分则回落对照。3) prior/ 中 CollecTRI 格式或基因名与 panel 不完全匹配；Engineer 应先统计匹配率，若<30% 则方案退化为随机方向，应放弃并以对照提交。",
  "family_id": "other",
  "mechanism": "CollecTRI 调控网络的净激活/抑制输入为每个基因提供发育方向先验（+1=预期上调，−1=预期下调），按此符号对表达做有界微扰，使伪批量变化方向与真实发育变化产生秩相关，从而突破无变化保护（std(dp)=0）并在 de_score/de_direction 上获得正分。",
  "vs_constant_shift": "旧实现（node2 damped_shift、node3/4/8 速度位移）的方向来源是数据驱动的两时间点速度或 PCA 投影，在外推榜上已证无信号；本方案方向来源是 CollecTRI 调控网络结构先验（TF→target 的激活/抑制符号 × TF 表达水平），不依赖第二个时间点，且是逐基因独立方向（非全局统一方向）。旧实现是全局或按型统一位移向量，本方案是 sign_g∈{+1,0,−1} 的逐基因符号场，不同基因方向不同。",
  "mechanism_evidence": "1) de_direction 原始值从 0 变为正数（若方向正确）；2) de_score 原始值从 0 变为正数；3) 对照实验：将 sign_g 随机打乱（保持 |S| 不变），de_direction 应回到≈0（秩相关消失）；4) mmd_u/variogram/neighborhood_mmd 变化<噪声（证明微扰未破坏分布）；5) 受扰动基因集合中，上调基因（sign=+1）的 dp>0、下调基因（sign=−1）的 dp<0（方向一致性校验）。",
  "mechanism_off_control": "VEC_ALPHA=0 时跳过全部微扰，输出逐位等于 copy_last。同一 run.py 只需设环境变量 VEC_ALPHA=0 即可关闭。预期差别：关闭时 de_score=de_direction=0（无变化保护），总分=50.00；开启时 DE 两项应为非零值（正或负取决于方向是否正确）。",
  "sources": []
}