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

节点 n6

逐细胞沿锚阶段表达PCA前k轴放大位移（alpha开关）；网格{−0.5,0.1,0.25}全低于地板（clip伪影dp反预测de_score），按边界规则提交alpha=0（=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 4dbc7c917e: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 6b3812a495。改动的文件：solution/EXECUTION.json +1 −0、solution/METHOD.md +33 −0、solution/run.py +40 −6

diff --git a/solution/EXECUTION.json b/solution/EXECUTION.jsonnew file mode 100644index 0000000..6d8012e--- /dev/null+++ b/solution/EXECUTION.json@@ -0,0 +1 @@+{"gpu": false}\ No newline at end of filediff --git a/solution/METHOD.md b/solution/METHOD.mdnew file mode 100644index 0000000..8801be3--- /dev/null+++ b/solution/METHOD.md@@ -0,0 +1,33 @@+逐细胞沿锚阶段表达PCA前k轴放大位移（alpha开关）；网格{−0.5,0.1,0.25}全低于地板（clip伪影dp反预测de_score），按边界规则提交alpha=0（=copy_last，对照实测50.00）。++## 方法++- 基座与 copy_last 相同：`anchor_entry` 锚阶段（本代理=末输入 E8.75，24,826 ≤ max_cells，整份输出），分层抽样仅在超过 `max_cells` 时触发；坐标、细胞数、组成不动。+- 机制（PLAN 指定）：`X_new = X + alpha·((X−mu)V_k)V_kᵀ`，V_k = 锚阶段样本表达（按基因方差>0过滤）的前 k 个主成分（`np.linalg.svd`，确定性；符号翻转在 score×loading 中相消）。逐细胞位移随 PC 得分变化，非常数位移（实测与均值位移的余弦均值 0.44，型内位移 std>0）。+- 开关：环境变量 `VEC_ALPHA`（默认 0.0）、`VEC_NPC`（默认 10）。alpha=0 时跳过 SVD，输出逐位等于 copy_last（机制关闭对照）。+- 无阶段名/时间/视图分支；不读绝对时间；输出只依赖表达数据与 seed。++## 网格结果（vec-score, T2:heart:val_extrap/proxy_noscale，A 半）++| 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=0.1, k=10, pb 迭代回中 | 49.09 | −0.583 | +0.187 | .0577 | .0625 | .1131 |+| alpha=0.25, k=10, pb 回中 | 48.37 | −0.597 | +0.193 | .0577 | .0736 | .1156 |+| alpha=0.25, k=10（无回中） | 47.05 | −0.597 | +0.169 | .0602 | .0856 | .1216 |+| alpha=−0.5, k=10, pb 回中（收缩） | 37.72 | −0.458 | −0.022 | .1125 | .1283 | .1977 |++## 机制生效证据（alpha>0 时）与失效原因++1. 位移非常数：与均值位移余弦 0.44；per-cell 位移均值幅度 0.05（alpha=0.25）。+2. 分布确有改变：variance ratio 1.014（alpha=0.1）–1.083（alpha=0.25）；收缩版 0.70 → mmd/variogram 崩到 37.7 分，说明真实 E9.5 的型内方差高于锚阶段，放大方向对 mmd_u 略有益（0.0577 < 地板 0.0583），local_spatial 也略升（50.3）。+3. 致命伤：对称放大的伪批量位移≈0，唯一的 dp 来自 clip(0) 对零膨胀基因的非对称抬升；该 dp 排序对 de_score 的上调命中是反预测的（−0.58~−0.60，且秩标度不变，减小 alpha 不改变符号），de_direction 的 +0.58 分不足以抵 −1.5 分。pb 回中只能减小幅度、不能改变排序。+4. 前一步（E8.25→E8.75）速度在 PC 上的投影主要落在 PC5/PC8（3.4），不在顶部 PC——顶部 PC 是型间分离轴，不是发育时间轴；这解释了为什么沿顶部 PC 放大得不到正确方向（与方法卡 damped_shift 网格单调低于地板一致）。++## 结论与提交++网格对 alpha 单调劣于地板，按方法卡对 damped_shift 的同一决策规则取边界 alpha=0 提交（=copy_last，50.00）；未用任何由已发布阶段尺寸/保留阶段推出的常数。已验证：seed 0 输出通过 vec-check；对照与提交逐位一致。未验证：alpha<0.1 且逐基因 pb 精确复原（dp=0 触发 DE 保护）的组合，估计 ≈49.9–50.1（变差组 variogram 仍在），不超过噪声。++## 知识来源++未使用外部生物学知识；仅用视图内输入数据（E8.25/E8.75 表达、外部 Qiu E8.75 未使用）与评分规则公开说明。diff --git a/solution/run.py b/solution/run.pyindex 0595dc9..0888afa 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,21 +1,49 @@ #!/usr/bin/env python3-"""copy_last (T2): the latest input at or before the target, with its own coordinates.+"""PCA-axis extrapolation (T2 heart extrap, PLAN family "other"). -Interpolation boards take the lower bracket stage, extrapolation boards the-last input; this is the floor's reference stage on the proxy. Cells are drawn-stratified by cell type only when the stage exceeds the board's max_cells.-Expression and coordinates are unchanged.+copy_last base (stratified sample of the anchor stage, coordinates untouched),+then each cell is displaced along the top-k principal axes of the sampled+anchor-stage expression covariance:++    X_new[i] = X[i] + alpha * ((X[i] - mu) V_k) V_k^T++The displacement is cell-specific (proportional to the cell's own PC scores),+not a constant pseudobulk shift. alpha = 0 reproduces copy_last bit-for-bit+(mechanism-off control). Expression only; coordinates, cell count and+composition are copied from the anchor sample. """  from __future__ import annotations  import argparse+import os  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"))+N_PC = int(os.environ.get("VEC_NPC", "10"))+++def pca_axis_displace(X: np.ndarray, alpha: float, k: int) -> np.ndarray:+    """X (n_cells x n_genes, float64) -> X + alpha * rank-k centered reconstruction."""+    mu = X.mean(axis=0)+    var = X.var(axis=0)+    keep = var > 0+    Xc = X[:, keep] - mu[keep]+    kk = int(min(k, Xc.shape[1] - 1, Xc.shape[0] - 1))+    if kk < 1:+        return X+    # deterministic thin SVD (LAPACK); sign flips cancel in score @ loading+    _, _, Vt = np.linalg.svd(Xc, full_matrices=False)+    Vk = Vt[:kk]+    dev = (Xc @ Vk.T) @ Vk+    out = X.copy()+    out[:, keep] = X[:, keep] + alpha * dev+    return out+  def main() -> None:     parser = argparse.ArgumentParser()@@ -33,7 +61,13 @@ def main() -> None:         rows = np.sort(take(stage.labels, n, rng))     else:  # fewer cells than min_cells: resample with replacement         rows = np.sort(rng.choice(stage.n, size=n, replace=True))-    write_t2(args.out, stage.X[rows].toarray(), stage.coords[rows], genes, seed=args.seed)+    X = stage.X[rows].toarray().astype(np.float32)+    coords = stage.coords[rows]++    if ALPHA != 0.0:+        X = np.clip(pca_axis_displace(X.astype(np.float64), ALPHA, N_PC), 0.0, None).astype(np.float32)++    write_t2(args.out, X, coords, genes, seed=args.seed)   if __name__ == "__main__":

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**：实现 PLAN 的 PCA 轴向外推（锚阶段表达中心化 PCA，逐细胞 `X + α·(score_k @ loadings_k)`，坐标/组成/细胞数照抄，`VEC_ALPHA` 开关，α=0 逐位=copy_last）。跑了 α∈{−0.5, 0.1, 0.25}、k=10、±pb 回中共 5 个配置 + 对照。

**查分结果**（proxy_noscale，A 半，用 5/20）：α=0.25→47.05，pb回中→48.37，α=0.1回中→49.09，收缩−0.5→37.72，对照 α=0→**50.00**。失效机理明确：对称放大 pb 位移≈0，唯一 dp 来自 clip(0) 对零膨胀基因的抬升，其排序反预测真实上调集（de_score −0.58~−0.60，秩不变故与 α 大小无关）；顶部 PC 是型间分离轴而非时间轴（前一步速度投影在 PC5/PC8）。按方法卡对 damped_shift 的同一边界规则提交 α=0，机制与网格证据写入 METHOD.md。vec-check ok，输出与对照逐位一致，EXECUTION.json 设纯 CPU。

**下一步最值得试**：(1) 速度投影显示发育方向在 PC5/PC8——沿"前一步速度有投影的 PC"做逐细胞放大（而非常数 pseudobulk 位移）可能绕开 de_score 反预测问题；(2) dp 精确复原到 0（逐基因乘性 pb 复原）+ 小幅放大 k=2，保住 local_spatial 50.3 / mmd 略优于地板的微小收益；(3) 该榜任何表达改动的本地收益都要按"本地高估"折价（历史 54.2→49.6），+1 护栏可能只有利用 external Qiu E8.75 心脏细胞做型内状态细化才有机会。

调研员

 std(dp) < 1% × std(dt). So we need std(dp) > 0.01 × std(dt). The displacement is alpha * s_i @ V_k^T. The magnitude depends on the PC scores and loadings. Engineer should start with alpha that gives std(dp) ≈ 5-10% of std(dt) to be safely above the protection threshold but not so large as to distort the distribution.

I think the plan is solid. Let me write the final version.

```json
{"name": "PCA轴向外推：沿E8.5细胞类型分离主轴做逐细胞表达外推",
 "motivation": "父节点copy_last全部8项指标skill=0.500（地板），DE两项原始值为0（无变化保护），说明未预测任何表达变化。节点3尝试外部前向靶但视图内无可用样本（输出=copy_last），节点4的位移太小触发无变化保护（std(dp)<1%·std(dt)）。核心问题：单输入阶段、无外部数据条件下需产生方向正确的表达变化。expression_change组（25分）是最大改善空间：只要基因变化方向部分正确，de_score和de_direction即可从0提升。",
 "approach": "步骤：(1) 读取E8.5输入，分层抽样同copy_last（≤max_cells）；(2) 对表达矩阵（n_cells×500基因）做PCA（sklearn TruncatedSVD，n_components=20）；(3) 取前k个PC（k=10初值，范围5-20）；(4) 逐细胞外推：X_new[i,:] = X[i,:] + alpha * score_i @ loadings_k.T，其中score_i是细胞i在前k个PC上的得分（1×k），loadings_k是载荷矩阵（k×500）；(5) 坐标、细胞数、组成完全照抄输入；(6) alpha初值0.1，范围0.01-0.3，以std(dp)/std(dt)≈5-10%为目标（需超过1%的无变化保护阈值但不过大以免mmd_u恶化）。单输入阶段：本方案仅需单阶段，无退路问题。vec-score筛选：先跑一次看de_score>0且mmd_u≤0.065；若de_direction≤0则检查PC方向或增大alpha；若mmd_u>0.065则减小alpha。",
 "expected_groups": ["expression_change"],
 "risks": "1) PCA主轴可能对应技术噪声而非发育方向，导致DE方向错误——检查前几个PC载荷基因是否富集心脏发育基因；若de_direction<0应立即停止；2) alpha过大使分布偏移，mmd_u/variogram恶化——监控mmd_u≤0.065、variogram≤0.065；3) 本地代理高估外推收益（历史：本地54.2→官网49.6），要求de_score原始值≥0.05才视为有效；4) 稀疏数据PCA不稳定——可先用方差前200基因做PCA。",
 "family_id": "other",
 "mechanism": "沿输入阶段表达协方差的PCA主轴做逐细胞外推：每个细胞的位移=其PC得分×对应载荷，位移大小和方向因细胞而异，由细胞在连续表达空间中的位置决定。",
 "vs_constant_shift": "常数位移（T2HX-01）对同类型所有细胞施加相同的类型均值差向量；本方案中同一类型内不同细胞因PC得分不同而获得不同大小和方向的位移，位移由连续协方差结构而非离散类型标签决定。",
 "mechanism_evidence": "1) de_score和de_direction原始值从0变为正值；2) 逐细胞位移向量的型内标准差>0且与类型均值差的余弦相似度<0.9（证明非常数位移）；3) 前几个PC载荷基因与心脏发育标记基因有交集；4) 四组分中expression_change提升而local_spatial和shape_scale不变（坐标未动）。",
 "mechanism_off_control": "设alpha=0，此时X_new=X，输出与copy_last逐位相同，分数应回到50.00±1。若alpha=0时分数偏离50超过噪声，说明实现有bug。",
 "sources": []}
```

审查员

REVIEW.json written