总览 · ← 返回运行 20261003-171955-search-t2-embryo-interp-chain-12h

节点 n19 在终选来历上

实现型内逐基因方差对数插值（VARISO，均值保持版）并完成 off/on 对照：variogram 未改善、邻域 MMD 在各 damp 下均劣化，净效应为负，提交默认机制关闭，输出与父节点 13 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 f7e9934472: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 a54054257d。改动的文件：solution/METHOD.md +27 −42、solution/README.md +7 −8、solution/run.py +101 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 7f826e5..8c2d34b 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,59 +1,44 @@-在父节点11全部表达管线之上，新增坐标各向异性整形：沿对齐括号合并云的PCA主轴，把输出云每轴展幅向 log 插值目标（γ=damp×t，damp=1.25）缩放，再均匀回缩到原目标RMS，表达逐位不动。+实现型内逐基因方差对数插值（VARISO，均值保持版）并完成 off/on 对照：variogram 未改善、邻域 MMD 在各 damp 下均劣化，净效应为负，提交默认机制关闭，输出与父节点 13 逐位一致。 -## 方法（family T2EI-06，PLAN：各向异性PCA坐标整形修复occupancy_dice）+## 方法（family T2EI-01，PLAN：型内逐基因方差对数插值修复 variogram） -保留父节点 11 全部管线（mix 分层混抽、procrustes3d 对齐、scale_damp=0.5、α=5 类型级收敛位移、λ=6 投影加权、β=0.2 型内配对收缩），在坐标组装后、jitter 与最终 RMS 回缩之前新增：+保留父节点 13 全部管线（mix 分层混抽、procrustes3d 对齐、scale_damp=0.5、α=5 类型级收敛位移、λ=6 投影加权、β=0.2 型内 NN 配对收缩、aniso 坐标整形 γ=0.5、jitter、RMS 回缩）。在表达侧末尾（β 配对收缩之后、vstack/aniso 之前）新增 VARISO： -1. 对齐后的两括号阶段坐标（`align_pair` 输出，同一帧、各自原生尺度）合并做 PCA，取 3 根主轴（协方差 `eigh`，按特征值降序）。-2. 计算 stage_a、stage_b 在每根主轴上的投影 std：spread_a[k]、spread_b[k]。-3. 目标展幅 target[k] = exp(log spread_a[k] + γ·(log spread_b[k] − log spread_a[k]))，γ = T2_ANISO_DAMP × t（t 为插值时间分数，只用时间差，视图无关）。-4. 输出细胞坐标去中心后投影到主轴，每轴乘 factor[k] = clip(target[k]/cur[k], 0.3, 3.0)（cur 为输出云该轴投影 std），再逆旋转回原坐标系。-5. 整形后照旧走 `_jitter` + `scale_to_rms(target_rms)`：均匀回缩保证 scale_log_ratio 与 RMS 完全不变（已验证 raw 逐位不变）。-6. 环境变量：T2_ANISO_DAMP（默认 **1.25**，非 PLAN 初始 2.5——网格显示 2.5 处 d2_shape 崩塌快于 occupancy 收益，见下）、T2_ANISO_ENABLE（默认 1）、T2_ANISO_CLIP_LO/HI（0.3/3.0）。-7. 单输入阶段退路：`interp_bracket` 无 b 时提前 return 分层复制，整形不执行（与 PLAN 一致）。+- 对每个共有类型（括号两侧各 ≥10 细胞、|Δ|≥0.25 的 DE 基因 ≥10 个、输出侧 ≥10 细胞），用括号两阶段该型全细胞计算每基因型内 std_a、std_b；target_std = exp(log(std_a+ε) + γ_v·(log(std_b+ε)−log(std_a+ε)))，γ_v = T2_VARISO_DAMP × t，ε=0.01（PLAN 步骤 1–2 原样）。+- **第一版（PLAN 字面实现）**：f = clip(target/cur_std, 0.3, 3.0)，细胞 x ← μ_type_out + (x−μ_type_out)·f，nnz-only、clip≥0。实测伪批量最大偏移 2.7（单基因）——nnz-only 绕总体均值缩放不保均值，de_score 从 0.25 掉到 0.179，违反 PLAN 的“DE 逐位不变”前提。+- **第二版（提交代码，均值保持修正）**：改为绕 **nnz 均值 μ_nnz** 缩放 nnz 项，且用精确方差分解 var_all = fixed + p·var_nnz（fixed = p(1−p)μ_nnz²，为 on/off 双峰部分，缩放 nnz 离散度动不了它）解出 f² = clip((target²−fixed)/(p·var_nnz), 0.3², 3.0²)。伪批量最大偏移降到 0.012，de_score 0.2500、de_direction 0.385、mmd_u 0.0116 与关闭对照逐位/噪声内一致（PLAN 风险 4 已排除）。+- 环境变量：T2_VARISO_ENABLE（**提交默认 0**）、T2_VARISO_DAMP（默认 1.0）、T2_VARISO_CLIP_LO/HI（0.3/3.0）、T2_VARISO_EPS/MIN_CELLS/MIN_DE。+- 单输入阶段退路：interp_bracket 无 b 时提前 return 分层复制，VARISO 不执行（与父节点一致）。 -## 机制生效证据（seed 0，proxy E6.75+E8.0→E7.25，t=0.4，γ=0.5）+## 机制生效证据（seed 0，proxy E6.75+E8.0→E7.25，t=0.4） -- 三主轴展幅（std）：stage_a [60.8, 63.6, 85.5]，stage_b [226.5, 202.1, 120.4]，整形前输出云 [88.0, 83.4, 87.3]（纵横比 [1.02, 0.97, 1.01]，接近各向同性——混抽+等RMS缩放抹掉了括号形状差），目标 [117.3, 113.4, 101.5]，整形后纵横比 [1.06, 1.02, 0.92]，factor [1.33, 1.36, 1.16]。轴比确实改变（PLAN 风险 1 排除：输出轴比≈1 而括号轴比差异大，头寸存在）。-- occupancy_dice raw 0.7765→0.8066（seed0）、0.7806→0.7953（seed1），skill 0.369→0.421 / 0.375→0.400，预期方向上升。-- scale_log_ratio raw 0.0162 逐位不变（均匀回缩正确），out_rms 149.228 与关闭时相同。-- expression_change 与 cell_state 全部 4 项指标 raw/skill/points 逐位不变（de_score 0.2500、de_direction 0.3853、mmd_u 0.0116、variogram 0.0144），且 X 矩阵 array_equal=True——整形只动坐标。-- d2_shape raw 0.0063→0.0047（不降反升为 skill 0.954→0.979：目标展幅插值同时改善了归一化距离分布）；neighborhood_mmd 0.0552→0.0551/0.0557→0.0553，噪声内不动，结构门不受影响（nbr skill 0.58 > 0.5）。+- 第一版 damp=1.0：处理 10 个共有类型；f_mean=1.04、f∈[0.9,1.1] 仅 22%、f 触及 clip 两端（0.3/3.0）、cur/target≈1.97（输出型内 std 约为括号 log 插值目标的 2 倍）——机制确有位移（PLAN 风险 1 排除），但改变 5000 细胞中约 3151 个的表达值。+- 第二版 damp=1.0：f_mean=1.19、f∈[0.9,1.1] 仅 5%（分解后大量基因 fixed 已超 target²，f 被压向 0.3 下限或推向膨胀端），同样改动 3151 个细胞。+- 四组分变化（第二版 d1.0 vs off）：expression_change 61.0→61.0（逐位）、cell_state 48.9→49.0（variogram raw 0.014420→0.014362，+0.01 分，噪声内）、local_spatial 58.2→56.8（neighborhood_mmd 0.05506→0.05828，−0.35 分）、shape_scale 77.8→77.8（坐标未动，逐位）。  ## 关闭对照（mechanism_off_control） -T2_ANISO_ENABLE=0：整形代码不执行，输出与父节点 11 管线逐位相同（代码路径完全一致；同日 off 查分 seed0=60.79 / seed1=60.63，即父节点管线在当日锚点上的基线）。开启（γ=0.5）后 occupancy_dice/d2_shape 均改变，机制生效。+T2_VARISO_ENABLE=0：VARISO 代码块整体跳过，输出与父节点 13 逐位相同（X 与 spatial_3D 均 array_equal=True，seed 0 验证；提交默认即此配置）。同日 A 半锚点查分： -## 查分结果（同日 A 半锚点，seed0；base=off 60.79）+| 配置 | 榜分 | variogram raw/skill | mmd_u raw | nbr_mmd raw | de_score |+|---|---:|---|---|---|---|+| off（=父13，seed0） | **61.45** | 0.014420 / 0.372 | 0.01164 | 0.05506 | 0.2500 |+| 第一版 damp=1.0 | 59.45 | 0.014062 / 0.378 | 0.01452 | 0.06578 | 0.1786 |+| 第二版 damp=1.0 | 61.10 | 0.014362 / 0.373 | 0.01166 | 0.05828 | 0.2500 |+| 第二版 damp=0.5 | 61.09 | 0.014507 / 0.370 | 0.01165 | 0.05813 | 0.2500 | -| T2_ANISO_DAMP | γ | 榜分 | occupancy skill | d2 skill | 备注 |-|---:|---:|---:|---:|---:|---|-| off | — | 60.79 | 0.369 | 0.954 | =父节点11管线 |-| 0.5 | 0.2 | 60.26 | 0.366 | 0.894 | d2 变差 |-| 1.0 | 0.4 | 61.09 | 0.387 | 0.971 | |-| 1.1 | 0.44 | 61.15 | 0.389 | 0.978 | |-| **1.25** | **0.5** | **61.45** | **0.421** | **0.979** | **提交（seed1: 61.07 vs base 60.63，+0.44）** |-| 1.4 | 0.56 | 61.14 | 0.395 | 0.966 | |-| 1.5 | 0.6 | 61.00 | 0.394 | 0.951 | |-| 1.75 | 0.7 | 61.03 | 0.452 | 0.895 | d2 开始崩 |-| 2.0 | 0.8 | 60.40 | 0.441 | 0.830 | |-| 2.5 | 1.0 | 59.75 | 0.495 | 0.704 | occupancy 最高但净亏 |-| 3.0/3.5 | 1.2/1.4 | 58.81/59.13 | 0.431/0.434 | 0.654/0.690 | clip 生效、过冲 |+## 如实结论：机制净效应为负，提交默认关闭 -如实结论：occupancy_dice 随 γ 升到 ~1.0 才饱和，但 d2_shape 从 γ≈0.6 起加速恶化（两项同权 8.33），净榜分峰值在 γ=0.5（damp=1.25），两 seed 一致 +0.4~+0.7，在 T2 约 1 分噪声边缘、方向一致且机制指标（occupancy↑、d2↑、nbr 平、scale/表达逐位不变）全部按 PLAN 预期。PLAN 初始 damp=2.5 在本管线上净亏 1 分，未采用（PLAN 授权网格内取优）。--- 已验证：damp∈{0.5,1.0,1.1,1.25,1.4,1.5,1.75,2.0,2.5,3.0,3.5} 网格（seed0）；提交配置 seed0+seed1 双查；off 对照 seed0+seed1；同 seed 两次运行逐位相同（无新增随机源，PCA 为确定性 eigh）；默认参数输出与网格最优文件逐位一致；vec-check 通过；n=5000 在 [583, 5000] 内。-- 未验证：真实括号（E7.25+E8.0→目标，t=1/3 时 γ=0.417，比 proxy 的 0.5 更保守，方向相同）；damp∈(1.25,1.4) 细扫（差异在噪声内）；seed≥2。+1. **variogram 对型内离散度缩放几乎无响应**（raw 变化 <1e-4，噪声内）：该指标比较 E|x_i−x_j|^0.5，主要由表达值的 on/off（零/非零）结构决定；VARISO 刻意保留 nnz 掩码（父节点已证明破坏稀疏结构会崩掉 variogram/mmd），因此能动的只有非零值的幅度，恰是 variogram 不敏感的自由度。cur/target≈2 的差距几乎全部在 fixed（on/off 双峰）分量里，均值保持版无法也不应去动它。+2. **neighborhood_mmd 随机制强度单调劣化**（0.0551→0.0583/0.0581，d0.5 与 d1.0 相同量级）：改变表达值而坐标不动，直接扰动“表达-位置配对”的邻域均值分布。与节点 17（型内逐基因方差回复，γ>0 时 nbr 单调劣化、提交 γ=0）结论一致、实现路径不同（17 为回复式，本节点为 PLAN 的对数插值式+均值保持分解），两个独立实现同向失败，说明该机制族在“variogram 由稀疏结构主导”这一点上撞到同一堵墙。+3. damp 网格未继续扫（PLAN 步骤 9 的条件“variogram 改善且其他不亏”未满足）；查分额度用 6/20。+4. 已验证：off=父13 逐位（seed0）；第二版 pb 最大偏移 0.012（vs 第一版 2.7）；默认配置 seed1 两次运行逐位一致；vec-check 通过；n=5000 在 [583,5000] 内；运行 ~3.5s、内存 <0.4GB。未验证：真实括号 t=1/3（机制已关闭，无影响）；damp∈(0,0.5) 细扫（预期 nbr 损失同量级、variogram 增益为零，不值得额度）。+5. 生物学知识来源：无外部知识；仅使用 PLAN 给定的方差插值假设与输入数据现场计算的统计量。  ## 视图无关性 -整形只依赖：对齐坐标（数据）、t（由 manifest 时间差计算，平移不变）、seed（不新增随机源）。无绝对时间、无路径/文件名/board 字段、无硬编码统计量。--## 知识来源--未使用新的生物学知识。展幅、主轴、γ 插值全部由 view 内两个输入阶段坐标现场计算。+VARISO（含关闭状态）只依赖：视图数据（表达、标签）、t（manifest 时间差，平移不变）、seed（未新增随机源，全部为确定性数组运算）。无绝对时间、无路径/文件名/board 字段、无硬编码统计量。默认路径与父节点 13 逐位一致，视图无关性继承自父节点。  ## 下一步建议 -- occupancy_dice skill 仍只有 0.42（真值天花板对应 raw≈0.9+）：γ=0.5 的保守值受 d2_shape 牵制，可试「整形后对每细胞坐标加沿主轴的小幅噪声/重排」在不动展幅分布均值的前提下改善占据格点匹配，或按类型分别整形（不同类型的空间占据不同，整体 PCA 三轴可能不是占据形状的自由度）。-- 表达侧权衡已到上限（父节点教训）：cell_state 组 variogram skill 0.37 仍是最大单项失分，需组成层面改动（类型比例插值生成中间态细胞）而非方差压缩。+variogram 失分（skill 0.37）的根源是 on/off 结构与目标阶段不匹配，而非非零值幅度：两个独立方差缩放实现均证实此路不通。若要继续攻 cell_state，需改变零/非零模式本身（如按目标阶段的型内表达频率重采样 nnz 掩码），但父节点已证明全局稀疏率扰动会连带 mmd_u/邻域崩盘，风险高；更划算的方向仍是 shape_scale（occupancy skill 0.42，节点 13 建议的分块/分型整形）。diff --git a/solution/README.md b/solution/README.mdindex 00a910e..0314f25 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,9 +1,8 @@-# mix + 表达收敛管线 + 各向异性PCA坐标整形（T2:embryo:val_interp）+# mix + 表达收敛管线 + 各向异性PCA坐标整形 + VARISO 对照（T2:embryo:val_interp） -父节点 11（mix 混抽 + α=5 类型级收敛位移 + λ=6 投影加权 + β=0.2 型内配对收缩）之上新增坐标侧-各向异性整形（family T2EI-06）：对齐括号合并云的 PCA 主轴上，把输出云每轴展幅向-target = exp(log spread_a + γ(log spread_b − log spread_a))、γ = T2_ANISO_DAMP×t（默认 damp=1.25）-缩放（factor clip [0.3, 3.0]），随后照旧均匀回缩到目标 RMS——scale_log_ratio 与表达矩阵逐位不变，-只改点云纵横比。T2_ANISO_ENABLE=0 逐位复现父节点 11。-proxy A 半同日锚点：对照（off）60.79/60.63（seed 0/1）→ 本节点 61.45/61.07；-occupancy_dice skill 0.369→0.421、d2_shape 0.954→0.979，其余六项逐位不变或噪声内。详见 METHOD.md。+父节点 13 管线原样保留（mix 混抽 + α=5 类型级收敛位移 + λ=6 投影加权 + β=0.2 型内配对收缩++ aniso 坐标整形 damp=1.25 + jitter + RMS 回缩）。本节点按 PLAN（family T2EI-01）新增+VARISO：型内逐基因方差对数插值（均值保持版，绕 nnz 均值缩放、精确方差分解），+T2_VARISO_ENABLE=1 开启。proxy off/on 对照：variogram 无改善、neighborhood_mmd 各 damp+下均劣化、净 −0.35～−2.0，机制默认关闭（T2_VARISO_ENABLE=0），提交输出与父节点 13+逐位一致。详见 METHOD.md。diff --git a/solution/run.py b/solution/run.pyindex c1b126e..5fc562e 100644--- a/solution/run.py+++ b/solution/run.py@@ -34,6 +34,15 @@ input before it (no displacement possible without two stages). Newest mechanism (ANISO, family T2EI-06, this node): coordinate-side anisotropic PCA reshaping, see aniso_reshape below. Expression untouched. +This node (19, VARISO, family T2EI-01): within-type per-gene std+log-interpolation after the pair-shrinkage step, mean-preserving (nnz+deviations scaled around the nnz mean; exact variance decomposition+var_all = fixed + p*var_nnz). Off/on control on the proxy: variogram raw+moves <1e-4 (the metric is dominated by the on/off structure, which VARISO+preserves), neighborhood_mmd degrades ~0.003 at every damp, net board+-0.35. Submitted with VARISO_ENABLE=0 by default: output bit-for-bit+identical to parent node 13. Details in METHOD.md.+ Earlier mechanism (PAIR_BETA, parent): after the λ-weighted displacement, within-type greedy NN pairing between the a-side and b-side output cells (distance on DE genes |Δ|≥0.25 only, ≥10 cells per side, ≥10 DE genes), then@@ -105,6 +114,25 @@ ANISO_ENABLE = os.environ.get("T2_ANISO_ENABLE", "1") == "1" ANISO_DAMP = float(os.environ.get("T2_ANISO_DAMP", "1.25")) ANISO_CLIP = (float(os.environ.get("T2_ANISO_CLIP_LO", "0.3")),               float(os.environ.get("T2_ANISO_CLIP_HI", "3.0")))+# Within-type per-gene std log-interpolation (VARISO, family T2EI-01, this node):+# for every shared type (>=VARISO_MIN_CELLS cells in each bracket stage,+# >=VARISO_MIN_DE DE genes |Δ|>=0.25), the per-gene within-type std of the+# output cells is rescaled toward the log-interpolated bracket stds,+# target = exp(log(std_a+eps) + gamma_v*(log(std_b+eps)-log(std_a+eps))),+# gamma_v = VARISO_DAMP * t, f = clip(target/cur, LO, HI). Each output cell of+# the type moves as x <- mu_type + (x - mu_type)*f on its nnz entries only+# (sparse structure preserved), clipped at 0. Type means are (approximately)+# fixed, so pseudobulk / DE metrics stay put; only within-type dispersion+# changes. VARISO_ENABLE=0 (or DAMP=0) reproduces the parent bit-for-bit.+# Submitted default: ENABLE=0 — proxy off/on scoring showed the mechanism is+# net-negative at every damp tried (see METHOD.md), same conclusion as node 17.+VARISO_ENABLE = os.environ.get("T2_VARISO_ENABLE", "0") == "1"+VARISO_DAMP = float(os.environ.get("T2_VARISO_DAMP", "1.0"))+VARISO_CLIP = (float(os.environ.get("T2_VARISO_CLIP_LO", "0.3")),+               float(os.environ.get("T2_VARISO_CLIP_HI", "3.0")))+VARISO_EPS = float(os.environ.get("T2_VARISO_EPS", "0.01"))+VARISO_MIN_CELLS = int(os.environ.get("T2_VARISO_MIN_CELLS", "10"))+VARISO_MIN_DE = int(os.environ.get("T2_VARISO_MIN_DE", "10"))   def aniso_reshape(coords, aligned_a, aligned_b, t: float, damp: float):@@ -334,6 +362,74 @@ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float):         pair_info["n_paired_types"] = n_types_paired         pair_info["n_pairs"] = n_pairs +    variso_info = {"variso_enable": bool(VARISO_ENABLE), "variso_damp": VARISO_DAMP,+                   "variso_n_types": 0, "variso_f_mean": None, "variso_f_in_band": None,+                   "variso_f_min": None, "variso_f_max": None, "variso_cur_over_tgt": None,+                   "variso_pb_maxshift": None}+    if VARISO_ENABLE and VARISO_DAMP != 0.0 and ia.size and ib.size:+        labs_a = np.asarray(stage_a.labels).astype(str)[ia]+        labs_b = np.asarray(stage_b.labels).astype(str)[ib]+        labs_out = np.concatenate([labs_a, labs_b])+        means_a = type_means(stage_a.X, stage_a.labels)+        means_b = type_means(stage_b.X, stage_b.labels)+        la_all = np.asarray(stage_a.labels).astype(str)+        lb_all = np.asarray(stage_b.labels).astype(str)+        cnt_a = {k: int((la_all == k).sum()) for k in means_a}+        cnt_b = {k: int((lb_all == k).sum()) for k in means_b}+        gamma_v = VARISO_DAMP * t+        fs, cot, pbshifts = [], [], []+        for lab in sorted(set(means_a) & set(means_b)):+            if cnt_a.get(lab, 0) < VARISO_MIN_CELLS or cnt_b.get(lab, 0) < VARISO_MIN_CELLS:+                continue+            d = (means_b[lab] - means_a[lab]).astype(np.float64)+            de_idx = np.where(np.abs(d) >= CONVERGE_MIN_DELTA)[0]+            if de_idx.size < VARISO_MIN_DE:+                continue+            rows = np.where(labs_out == lab)[0]+            if rows.size < VARISO_MIN_CELLS:+                continue+            A = np.asarray(stage_a.X[la_all == lab][:, de_idx].toarray(), dtype=np.float64)+            B = np.asarray(stage_b.X[lb_all == lab][:, de_idx].toarray(), dtype=np.float64)+            std_a = A.std(axis=0)+            std_b = B.std(axis=0)+            target = np.exp(np.log(std_a + VARISO_EPS)+                            + gamma_v * (np.log(std_b + VARISO_EPS) - np.log(std_a + VARISO_EPS)))+            ra = rows[rows < xa.shape[0]]+            rb = rows[rows >= xa.shape[0]] - xa.shape[0]+            parts = ([xa[ra]] if ra.size else []) + ([xb[rb]] if rb.size else [])+            O = np.vstack(parts).astype(np.float64)[:, de_idx]+            cur = O.std(axis=0)+            nz = O > 0+            p = nz.mean(axis=0)+            nnz_cnt = np.maximum(nz.sum(axis=0), 1.0)+            mu_n = O.sum(axis=0) / nnz_cnt+            var_n = (nz * (O - mu_n) ** 2).sum(axis=0) / nnz_cnt+            # all-cell var decomposes as fixed (on/off bimodality) + p*var_nnz;+            # scaling nnz deviations around mu_nnz only moves the second part,+            # keeping the nnz mean (hence pseudobulk) fixed.+            fixed = np.maximum(O.var(axis=0) - p * var_n, 0.0)+            f2 = (target ** 2 - fixed) / np.maximum(p * var_n, 1e-12)+            f = np.clip(np.sqrt(np.maximum(f2, 0.0)), VARISO_CLIP[0], VARISO_CLIP[1])+            pb0 = O.mean(axis=0)+            Onew = np.where(nz, np.clip(mu_n + (O - mu_n) * f, 0.0, None), O)+            if ra.size:+                xa[np.ix_(ra, de_idx)] = Onew[:ra.size].astype(np.float32)+            if rb.size:+                xb[np.ix_(rb, de_idx)] = Onew[ra.size:].astype(np.float32)+            fs.append(f)+            cot.append(cur / np.maximum(target, 1e-9))+            pbshifts.append(np.abs(Onew.mean(axis=0) - pb0).max())+            variso_info["variso_n_types"] += 1+        if fs:+            fall = np.concatenate(fs)+            variso_info.update(+                variso_f_mean=float(fall.mean()),+                variso_f_in_band=float(np.mean((fall >= 0.9) & (fall <= 1.1))),+                variso_f_min=float(fall.min()), variso_f_max=float(fall.max()),+                variso_cur_over_tgt=float(np.mean(np.concatenate(cot))),+                variso_pb_maxshift=float(np.max(pbshifts)),+            )+     expr = np.clip(np.vstack([xa, xb]), 0.0, None).astype(np.float32) if (ia.size or ib.size) else np.zeros((0, len(stage_a.genes)), np.float32)     coord_parts = []     if ia.size:@@ -348,6 +444,7 @@ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float):     coords = _jitter(coords, rng)     coords = scale_to_rms(coords, target_rms)     info.update(aniso_info)+    info.update(variso_info)     info.update(         t=t, n=int(expr.shape[0]), rms_a=rms_a, rms_b=rms_b, target_rms=target_rms,         out_rms=rms_radius(coords), n_from_a=int(ia.size), n_from_b=int(ib.size), **conv, **pair_info,@@ -383,7 +480,10 @@ def main() -> None:                                        "pair_orth_var_rel", "pair_dist_over_diam",                                        "aniso_enable", "aniso_damp", "aniso_gamma", "aniso_spread_a",                                        "aniso_spread_b", "aniso_spread_cur", "aniso_spread_target",-                                       "aniso_factor", "aniso_aspect_in", "aniso_aspect_out")}+                                       "aniso_factor", "aniso_aspect_in", "aniso_aspect_out",+                                       "variso_enable", "variso_damp", "variso_n_types", "variso_f_mean",+                                       "variso_f_in_band", "variso_f_min", "variso_f_max",+                                       "variso_cur_over_tgt", "variso_pb_maxshift")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, default=float), file=sys.stderr)     write_t2(args.out, expr, 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

Done. Final state verified: `solution/run.py` default output is bit-identical to parent 13, vec-check passes, deterministic across seeds.

**做了什么**：按 PLAN（T2EI-01）在父节点 13 表达管线末端实现 VARISO（型内逐基因方差对数插值），先做 PLAN 字面版（伪批量漂移 2.7、de_score 崩），再修正为均值保持版（绕 nnz 均值 + 精确方差分解，pb 漂移 0.012，DE/mmd 逐位不变），完成 off/on 对照。

**查分结果**（同日 A 半锚点，seed0，用 6/20 次）：off=61.45；均值保持版 damp=1.0/0.5 = 61.10/61.09；字面版 damp=1.0 = 59.45。variogram raw 变化 <1e-4（该指标由 on/off 稀疏结构主导，方差缩放动不了），neighborhood_mmd 一律劣化 ~0.003。净负 → 提交默认机制关闭（输出与父节点逐位一致），METHOD.md 如实记录，与节点 17 独立实现同向失败。

**下一步最值得试**：放弃型内方差缩放族攻 variogram；转向 shape_scale 的 occupancy_dice（skill 0.42）——按细胞类型/空间分块做各向异性整形，或整形后局部重排解锁更大 γ；若要动 variogram 需改 nnz 掩码本身，但风险高（稀疏率扰动会连带 mmd/邻域崩盘）。

调研员

MP=1.0，搜索范围{0.5, 0.75, 1.0, 1.25, 1.5, 2.0}。\n3. 计算当前输出中该型的逐基因std：cur_std[g]（同样仅DE基因、仅nnz项）。\n4. 缩放因子 f[g] = clip(target_std[g]/cur_std[g], CLIP_LO, CLIP_HI)，CLIP_LO=0.3、CLIP_HI=3.0。\n5. 对该型每个输出细胞：x_new[g] = μ_type_out[g] + (x[g] − μ_type_out[g]) × f[g]，其中μ_type_out是当前输出型均值（收敛后），保证型均值不变→伪批量不变→de_score/de_direction逐位不动。仅作用于该细胞已表达项（nnz-only），clip≥0。\n6. 非共有类型、DE基因数<10的类型跳过。\n7. 环境变量：T2_VARISO_ENABLE（默认1）、T2_VARISO_DAMP（默认1.0）、T2_VARISO_CLIP_LO/HI（0.3/3.0）。\n8. 单输入阶段退路：interp_bracket无b时VARISO不执行（无stage_b的std可插值），与父节点退路一致。\n9. 快速筛选：先seed0跑off（确认与父节点13逐位一致）→ damp=1.0 → 看variogram raw是否下降、mmd_u是否不恶化、de两项是否逐位不变；若variogram改善且其他不亏，再扫damp网格；每次查分用vec-score，预计≤8次查分。\n10. 内存与时间：仅增加逐型逐基因统计（O(types×genes)），无迭代优化，预计增加<1s、<0.1GB。",
  "expected_groups": ["cell_state"],
  "risks": "1) 收敛+β收缩后残余方差膨胀可能已很小，target_std/cur_std≈1，机制无实际位移→Engineer应在实现后打印f[g]分布，若>90%的基因f∈[0.9,1.1]则机制无效，需重新审视；2) 方差缩放改变单细胞表达值而坐标不动，可能轻微扰乱表达-位置配对→盯neighborhood_mmd（skill需保持≥0.5以不触发结构门），若下降>0.02则回退；3) mmd_u对分布形状敏感，方差压缩过度可能使mmd_u变差→同时监控，若mmd_u raw上升>10%则降低damp或关闭；4) de_score/de_direction理论上逐位不变（型均值不动），但nnz-only+clip可能引入微小伪批量偏移→验证array_equal；5) 真实括号t=1/3时γ_v更保守，方向相同但未验证。尽早发现：第一次off/on对比即看全部8项原始值。",
  "family_id": "T2EI-01",
  "mechanism": "对每个共有类型，将型内每基因的离散度（std）从括号阶段a向阶段b做对数插值，缩放每个细胞相对型均值的偏差，使输出型内方差结构匹配目标中间阶段，而型均值（伪批量）不变。",
  "vs_constant_shift": "常数位移（α收敛）沿型均Δ方向平移整个型的所有细胞，改变型均值但不改变型内方差结构；本机制不移动型均值（伪批量逐位不变），而是逐基因缩放每个细胞偏离型均值的幅度，改变的是型内分布的形状（方差、双峰程度），不是位置。也与全局组成重加权不同：不改变类型比例或细胞选取，只改已有细胞的表达离散度。",
  "mechanism_evidence": "Engineer应验证：(1) 打印每型每基因的f[g]=target_std/cur_std，确认存在显著偏离1的基因（若全部≈1则机制无位移）；(2) variogram raw从0.01392下降（目标<0.013）；(3) de_score 0.3103、de_direction 0.3986、伪批量矩阵逐位不变（array_equal=True）；(4) mmd_u raw不恶化（≤0.01123）；(5) neighborhood_mmd raw变化在±0.002内；(6) 四组分中cell_state上升、其他三组噪声内不动。",
  "mechanism_off_control": "T2_VARISO_ENABLE=0：VARISO代码块整体跳过，输出与父节点13逐位相同（同seed下array_equal验证）。开启后预期差异仅在variogram和mmd_u（表达分布形状变），de两项、坐标相关指标（d2_shape、occupancy_dice、scale_log_ratio、neighborhood_mmd）应逐位或噪声内不变。",
  "sources": []
}
```

审查员

REVIEW.json written