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

节点 n21

型内基因共变重着色（PLAN T2EI-01）已实现并对照：η>0 时相关矩阵反而离目标更远、variogram 与 neighborhood 均劣化；另测坐标各向异性 boost（±）也劣化 occupancy_dice。提交默认 η=0、boost=0，输出与父节点 13/15/17 逐位相同。

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 d4132aa7d7: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 1ad58c0a32。改动的文件：solution/METHOD.md +30 −27、solution/run.py +177 −6

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex ae5a2df..23a84fe 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,46 +1,49 @@-型内逐基因方差回复（PLAN T2EI-01）已实现并对照：γ>0 时 variogram 仅微升、neighborhood_mmd 随 γ 单调劣化，净效应为负，提交默认 γ=0，输出与父节点 13/15 逐位相同。+型内基因共变重着色（PLAN T2EI-01）已实现并对照：η>0 时相关矩阵反而离目标更远、variogram 与 neighborhood 均劣化；另测坐标各向异性 boost（±）也劣化 occupancy_dice。提交默认 η=0、boost=0，输出与父节点 13/15/17 逐位相同。 -## 方法（family T2EI-01，PLAN：per-gene within-type variance restoration）+## 方法（family T2EI-01，PLAN：whitening-recolor 修共变结构） -父节点 15 全部管线不动（mix 分层混抽、procrustes3d 对齐、α=5 收敛位移、λ=6 投影加权、β=0.2 配对收缩、各向异性坐标整形、jitter、RMS 回缩）。在 β-收缩之后、写出表达之前新增机制（`T2_VARREST_GAMMA`，默认 0=跳过）：+父节点 17 全部管线不动（mix 分层混抽、procrustes3d、α=5 收敛位移、λ=6 投影加权、β=0.2 配对收缩、各向异性坐标整形 damp=1.25、jitter、RMS 回缩）。在 β/varrest 之后、写出表达之前新增机制（`T2_RECOLOR_ETA`，默认 0=跳过）： -1. 对每个共有类型（原始括号两侧各 ≥10 细胞、输出侧 ≥4 细胞）：从原始阶段计算 σ_a[g]、σ_b[g]（`as_dense` 全型细胞），输出侧合并 a/b 两侧细胞计算 σ_out[g]、μ_out[g]。-2. σ_target[g] = (1−t)·σ_a[g] + t·σ_b[g]；r[g] = clip(σ_target/(σ_out+1e-6), 0.5, 2.0)。-3. 对每个已表达条目（x>0）：x ← μ_out[g] + (x−μ_out[g])·(1+γ·(r[g]−1))，clip ≥0；不新增非零条目。-4. 逐基因重居中：把 sum 漂移按该基因 nnz 条目数摊回（首版按细胞数摊回导致均值漂移 0.545，已修正），clip 后实测型均值最大漂移 0.024（γ=0.5）/0.062（γ=1.0），全局 pseudobulk 最大移动 0.0012 ≪ DE 阈值 0.25。-5. 可选 `T2_VARREST_MIN_FRAC`：只修正型内 nnz 比例 ≥ 阈值的基因（过滤稀疏噪声基因的 r 估计）。-6. 机制不消费 rng、不改细胞选择、不改坐标：父节点抽样与 jitter 逐位保留（吸取节点 15 教训）。-7. 单输入阶段退路不变：无括号时 main() 提前 return 分层复制，机制不执行。+1. 对每个共有类型（原始括号两侧各 ≥10 细胞、输出侧 ≥4 细胞，实测 10 个型）：取在两侧与输出侧 nnz 比例都 ≥0.03 的基因子集（实测中位 70.5 个基因）。+2. `C_a`、`C_b` = 两侧原始细胞的基因-基因协方差；`C_target = (1−t)·C_a + t·C_b`；`C_out` = 输出侧该型细胞绕 μ_out 的协方差。+3. 传输映射 `W`：`sym`（默认）用 Bures/Wasserstein 映射 `C_out^{-1/2}(C_out^{1/2} C_target C_out^{1/2})^{1/2} C_out^{-1/2}`（满足 `Wᵀ C_out W = C_target`），`plan` 用 PLAN 原文的 `C_target^{1/2} C_out^{-1/2}`；`C_out` 加 5% 迹脊正则，偏离单位阵的部分截断到 `C_out` 前 k=50 个特征方向（低秩）。+4. 型内偏差 `d = x − μ_out` → `d·(I + η·(W − I))`，只覆写原本 >0 的条目（零模式不变），clip ≥0，再按该基因 nnz 条目数摊回重居中（沿用节点 17 的修正），型均值/pseudobulk/DE 不动。+5. 不消费 rng、不改细胞选择、不改坐标；单输入阶段退路不变（main() 提前 return 分层复制，机制不执行）。 -知识来源：仅使用视图内两个括号阶段自身的测量（型内标准差），无保留阶段/基因型信息；「中间态方差按时间线性插值」是通用插值假设，非文献数值。+另加坐标侧对照开关 `T2_ANISO_BOOST`（默认 0）：`factor = (target/cur)^(1+boost)`，把主轴展幅沿括号指示的方向进一步推离/推近各向同性，用于检验父节点建议的 occupancy_dice 整形方向。++知识来源：只用视图内两个括号阶段自身的测量（型内协方差）；「中间态共变按时间线性插值」是通用插值假设，无文献数值，无保留阶段/基因型信息。  ## 机制生效证据（seed 0，proxy E6.75+E8.0→E7.25，t=0.4） -- 修正 10 个共有类型；r 分布（γ=0.5 无过滤）：中位 1.05、q10 0.5、q90 2.0 —— **中位比值恰在 PLAN 风险 2 的「无空间」边界**（σ_out/σ_target≈0.95），压缩不是系统性的，只有部分基因偏离。-- 表达确实被改：nnz 146836→146718（clip 到 0 的条目占被改条目 0.18%@γ=0.5、0.36%@γ=1.0，零分数变化 <0.07%，稀疏结构保持）；被 clip 回正的比例 1.5%@γ=0.5（PLAN 风险 4 监控项，未触发额外保护必要）。-- 型均值保持：max drift 0.024（γ=0.5），pseudobulk 最大移动 0.0012；DE 两项 raw 完全不动（de_score 0.25、de_direction 0.3853→0.3851，在打印精度内）。-- 四组分变化（A 半，同日锚点）：cell_state 48.93→49.12（mmd_u 0.01164→0.01152、variogram 0.01442→0.014336，均改善）；local_spatial 58.16→57.68（neighborhood_mmd 0.05506→0.05613，劣化）；expression_change、shape_scale 不变（机制不触碰均值与坐标）。+- 实际改变的细胞：10 个型、3150/5000 个细胞、42666 个 nnz 条目（=该子集全部 nnz 条目，entries_frac 1.0）；nnz 总数 206427→206431/206438/206448（η=0.1/0.25/0.5，clip 归零 <0.01%，稀疏结构保持）。+- 型均值最大漂移 0.00048（η=0.1）/0.0047（η=0.5），单条目最大改动 1.36/6.80；DE 两项 raw 完全不动（de_score 0.25、de_direction 0.3853）。+- **机制未达其设计目标**：型内相关矩阵到 `C_target` 的 Frobenius 距离随 η **增大**（相对值 1.0034 / 1.0092 / 1.0210，>1 表示更远），不满足 PLAN 预期的单调下降。原因是重着色作用于连续偏差，而输出矩阵的相关结构由保留下来的零模式（dropout 掩码）主导：nnz-only 覆写后实测相关并不跟随 `W`。+- 四组分变化（A 半，同日锚点 η=0：cell_state 48.93 / expression_change 60.97 / local_spatial 58.16 / shape_scale 77.31，与节点 17 锚点一致）：η=0.25 → cell_state 49.06（mmd_u 0.01164→0.01151 改善，但 variogram 0.01442→0.01443 略劣）、local_spatial 57.84（neighborhood_mmd 0.05506→0.05577）、expression_change 与 shape_scale 不变（不触碰均值与坐标）。  ## 关闭对照（mechanism_off_control） -T2_VARREST_GAMMA=0（提交默认）：输出与父节点（本 run 起点代码、即节点 13/15 提交）在相同 seed 下**逐位相同**（X 与 spatial_3D array_equal 已验证，seed 0/1 均确定）。开启后输出改变（上节 nnz/raw 变化），机制确实生效。+`T2_RECOLOR_ETA=0`（提交默认）+ `T2_ANISO_BOOST=0`：重着色步骤整体跳过、各向异性因子退化为父节点表达式（`x**1.0 == x`），输出与父节点 17 提交在相同 seed 下逐位相同（结构上无 rng 消费、无坐标/选择改动；本地重跑两次 X 与 spatial_3D array_equal，`vec-check` ok，n=5000）。开启后（η>0 / boost≠0）输出确实改变（上节条目数与 raw 变化），机制生效但未获益。 -## 查分结果（A 半，seed 0，共用 6/20 次）+## 查分结果（A 半，seed 0，共用 5/20 次） -| 配置 | 榜分 | cell_state | local_spatial | variogram raw | mmd_u raw | neighborhood raw |-|---|---:|---:|---:|---:|---:|---:|-| γ=0（锚，=父节点） | **61.45** | 48.93 | 58.16 | 0.01442 | 0.01164 | 0.05506 |-| γ=0.5 | 61.38 | 49.12 | 57.68 | 0.014336 | 0.01152 | 0.05613 |-| γ=0.5 + min_frac=0.03 | 61.38 | 49.11 | 57.68 | 0.014348 | 0.01152 | 0.05614 |-| γ=1.0 | 61.27 | 49.15 | 57.22 | 0.01429 | 0.01153 | 0.05719 |+| 配置 | cell_state | local_spatial | shape_scale | variogram raw | mmd_u raw | neighborhood raw | occupancy_dice | d2_shape |+|---|---:|---:|---:|---:|---:|---:|---:|---:|+| η=0（锚，=父节点） | 48.93 | 58.16 | 77.31 | 0.01442 | 0.01164 | 0.05506 | 0.8086 | 0.00661 |+| η=0.1 | – | – | – | – | – | 0.05534 | – | – |+| η=0.25 | 49.06 | 57.84 | 77.75 | 0.01443 | 0.01151 | 0.05577 | – | – |+| aniso boost +0.4 | 48.93 | 58.21 | 76.27 | – | – | 0.05494 | 0.7897 | 0.00556 |+| aniso boost +0.8 | 48.93 | 58.16 | 75.48 | – | – | 0.05505 | 0.7917 | 0.00737 |+| aniso boost −0.5 | 48.93 | 58.17 | 76.54 | – | – | 0.05502 | 0.7898 | 0.00505 | -结论：variogram 改善 ~0.0001 raw，远低于 PLAN 预设的放弃阈值 0.0005；neighborhood_mmd 随 γ 单调劣化（型内偏差放大使 15-NN 邻域均值分布比真值中间态更散），25 分权重的邻域损失盖过 cell_state 小幅收益。稀疏基因过滤（min_frac=0.03，把 r 的 q10/q90 收窄到 0.86/1.15）不改变结果——邻域损伤来自修正本身而非噪声基因。γ=0.25 未测：趋势单调，预期落在锚点与 61.38 之间，仍为负。+结论：(1) 共变重着色触发 PLAN 的一票否决——variogram 未按预期下降（+0.00001），neighborhood_mmd 随 η 劣化（+0.00028@0.1、+0.00071@0.25），组分净负；η=0.5 未查（趋势单调，预期更差）。mmd_u 的微改善（−0.00013）在 25 分权重的邻域损失面前不成立。(2) 坐标各向异性两个方向都降低 occupancy_dice（0.8086→0.79），说明父节点 damp=1.25 已在该指标局部最优，`ANISO_BOOST` 无收益（d2_shape 在 boost<0 时略好、在 boost>0 时略差，但组分被 occupancy 主导）。  ## 提交 -默认 γ=0，与父节点逐位一致（预期榜分 62.52 不变）。代码、开关与诊断保留供后续节点复用。+默认 η=0、boost=0，与父节点 17 逐位一致（预期榜分 62.52 不变）。代码、开关与诊断保留供后续节点复用。  ## 给后续节点的建议 -- variogram 的失分不是「型内方差被压缩」：σ_out/σ_target 中位 ≈0.95，逐基因回复无空间。方向应转向共变**结构**（基因间相关），而非边际方差幅度。-- 任何增大型内逐细胞偏差的操作都会伤 neighborhood_mmd（本节点 + 节点 15 的进度选择两个独立证据）；cell_state 与 local_spatial 在本管线上存在实测的权衡，改表达值也要过邻域这一关。+- 共变路线在「nnz-only 覆写」约束下走不通：输出的基因-基因相关主要由零模式决定，连续偏差的线性重着色改不动它（实测相关距离随 η 上升）。若要真改共变，必须允许改变零模式（新增/删除非零条目），而节点 5 的教训是密集化会崩 variogram/mmd_u；因此建议**放弃表达侧型内变换**（方差幅度 node17、共变结构 node21 两条都已证伪）。+- occupancy_dice（skill 0.42）是最大单项空间，但沿主轴展幅的一维整形（damp 与 boost 两个方向）已在局部最优。下一步值得试的是**改变占据的形状而非展幅**：例如按括号阶段的体素占据概率做坐标层面的重排/局部搬运（保表达-坐标配对：搬细胞不搬值），或用 z 离散切片结构（层间距/层内密度）向目标插值——两者都不改表达值，因而不受 neighborhood_mmd 的表达侧惩罚，只承担坐标抽样噪声。+- 任何表达侧改动先在 A 半用同日关闭态锚点对比（本节点锚点四组分 48.93/60.97/58.16/77.31 与节点 17 一致），把 neighborhood_mmd raw 列为一票否决。diff --git a/solution/run.py b/solution/run.pyindex f117154..e886ed2 100644--- a/solution/run.py+++ b/solution/run.py@@ -131,6 +131,34 @@ VARREST_CLIP = (float(os.environ.get("T2_VARREST_CLIP_LO", "0.5")), # rescaling those amplifies noise and hurts neighborhood pairing. Restrict the # correction to genes with nnz fraction ≥ MIN_FRAC within the type block. VARREST_MIN_FRAC = float(os.environ.get("T2_VARREST_MIN_FRAC", "0.0"))+# Within-type gene-gene covariance recoloring (family T2EI-01, this node):+# node 17 showed the variogram loss is NOT a marginal-variance amplitude problem+# (σ_out/σ_target median ≈ 0.95) but a co-variation STRUCTURE problem: the+# stratified mix concatenates two endpoint sub-populations per type, so the+# output within-type covariance is C_target + p·q·δδᵀ (δ = μ_b − μ_a), i.e. an+# endpoint-bimodal correlation structure no real intermediate stage has.+# For every shared type (≥10 cells per side in the ORIGINAL brackets, ≥4 output+# cells) on the gene subset expressed in both brackets and in the output+# (nnz fraction ≥ MIN_FRAC):+#   C_a, C_b  : within-type gene-gene covariance of the two bracket sides+#   C_target  = (1−t)·C_a + t·C_b                (time-interpolated structure)+#   C_out     : covariance of the output cells of that type around μ_out+#   W         = transport map with Wᵀ C_out W = C_target (Bures/Wasserstein map+#               C_out^{-1/2}(C_out^{1/2} C_target C_out^{1/2})^{1/2} C_out^{-1/2},+#               ridge-regularised, deviation from I truncated to the top-k+#               eigen-directions of C_out)+#   d ← d · (I + η·(W − I))  for the within-type deviation d = x − μ_out+# Only nnz entries are overwritten (zero pattern preserved), values clipped at 0+# and re-centred per gene over that gene's nnz entries, so type means, the+# pseudobulk and both DE metrics do not move. Coordinates, cell selection and the+# rng stream are untouched. η = 0 (default) skips the step entirely and+# reproduces the parent bit-for-bit.+RECOLOR_ETA = float(os.environ.get("T2_RECOLOR_ETA", "0.0"))+RECOLOR_K = int(os.environ.get("T2_RECOLOR_K", "50"))+RECOLOR_MIN_CELLS = int(os.environ.get("T2_RECOLOR_MIN_CELLS", "10"))+RECOLOR_MIN_FRAC = float(os.environ.get("T2_RECOLOR_MIN_FRAC", "0.03"))+RECOLOR_REG = float(os.environ.get("T2_RECOLOR_REG", "0.05"))+RECOLOR_MAP = os.environ.get("T2_RECOLOR_MAP", "sym") # Progress-weighted stratified reselection (family T2EI-01, this node): within # each shared type, cells differ in how far they already sit along the temporal # change direction Δ = μ_b − μ_a (DE genes only, |Δ| ≥ CONVERGE_MIN_DELTA).@@ -168,6 +196,10 @@ PROG_FRAC = float(os.environ.get("T2_PROG_FRAC", "0.15")) # d2_shape both improve; γ≥0.6 keeps buying occupancy but d2_shape collapses # faster (weight-for-weight), net board score peaks at γ≈0.5. ANISO_DAMP = float(os.environ.get("T2_ANISO_DAMP", "1.25"))+# Anisotropy boost (this node): factor = (target/cur)^(1+boost), i.e. push each+# principal-axis spread further away from isotropy in the direction the bracket+# interpolation already indicates. boost = 0 (default) reproduces the parent.+ANISO_BOOST = float(os.environ.get("T2_ANISO_BOOST", "0.0")) ANISO_CLIP = (float(os.environ.get("T2_ANISO_CLIP_LO", "0.3")),               float(os.environ.get("T2_ANISO_CLIP_HI", "3.0"))) @@ -190,12 +222,12 @@ def aniso_reshape(coords, aligned_a, aligned_b, t: float, damp: float):     c = c - c.mean(axis=0)     proj = c @ axes     cur = np.maximum(proj.std(axis=0), 1e-9)-    factor = np.clip(target / cur, ANISO_CLIP[0], ANISO_CLIP[1])+    factor = np.clip((target / cur) ** (1.0 + ANISO_BOOST), ANISO_CLIP[0], ANISO_CLIP[1])     new_proj = proj * factor     out = new_proj @ axes.T     new_spread = new_proj.std(axis=0)     info = {-        "aniso_gamma": gamma,+        "aniso_gamma": gamma, "aniso_boost": ANISO_BOOST,         "aniso_spread_a": spread_a.tolist(),         "aniso_spread_b": spread_b.tolist(),         "aniso_spread_cur": cur.tolist(),@@ -395,6 +427,130 @@ def variance_restore(xa, xb, labs_a, labs_b, stage_a, stage_b, t, shared):     return info  +def _psd_sqrt(C):+    w, V = np.linalg.eigh(0.5 * (C + C.T))+    w = np.clip(w, 0.0, None)+    return (V * np.sqrt(w)) @ V.T+++def _transport_map(C_out, C_tgt, k, reg, mode):+    """Linear W with Wᵀ C_out W ≈ C_tgt, deviation from I truncated to top-k dirs."""+    m = C_out.shape[0]+    tr = max(float(np.trace(C_out)) / m, 1e-12)+    Cr = C_out + reg * tr * np.eye(m)+    w, V = np.linalg.eigh(0.5 * (Cr + Cr.T))+    order = np.argsort(w)[::-1]+    w, V = w[order], V[:, order]+    w = np.maximum(w, 1e-12)+    S = (V * np.sqrt(w)) @ V.T+    S_inv = (V / np.sqrt(w)) @ V.T+    if mode == "plan":+        W = _psd_sqrt(C_tgt) @ S_inv+    else:+        W = S_inv @ _psd_sqrt(S @ C_tgt @ S) @ S_inv+    kk = max(1, min(int(k), m))+    Vk = V[:, :kk]+    W = np.eye(m) + Vk @ (Vk.T @ (W - np.eye(m)) @ Vk) @ Vk.T+    return W+++def recolor_cov(xa, xb, labs_a, labs_b, stage_a, stage_b, t, shared):+    """Within-type covariance recoloring (see RECOLOR_ETA comment).++    Modifies xa/xb in place on the expressed entries only; per-gene type means+    are restored after clipping so pseudobulk / DE stay put.+    """+    info = {"recolor_eta": RECOLOR_ETA, "recolor_k": RECOLOR_K, "recolor_map": RECOLOR_MAP,+            "recolor_n_types": 0, "recolor_n_genes_median": None,+            "recolor_cells_changed": 0, "recolor_cells_total": 0,+            "recolor_entries_changed": 0, "recolor_rel_corr_dist": None,+            "recolor_max_entry_change": None, "recolor_max_mean_drift": None,+            "recolor_zero_before": None, "recolor_zero_after": None}+    la = np.asarray(stage_a.labels).astype(str)+    lb = np.asarray(stage_b.labels).astype(str)+    rel_dists, ngenes, drifts, maxchg = [], [], [], []+    zb = za = nchg = ncells = ntot = 0+    n_types = 0+    for lab in shared:+        pool_a = np.flatnonzero(la == lab)+        pool_b = np.flatnonzero(lb == lab)+        if pool_a.size < RECOLOR_MIN_CELLS or pool_b.size < RECOLOR_MIN_CELLS:+            continue+        rows_a = np.flatnonzero(labs_a == lab)+        rows_b = np.flatnonzero(labs_b == lab)+        n_out = rows_a.size + rows_b.size+        if n_out < 4:+            continue+        A = as_dense(stage_a.X, pool_a).astype(np.float64)+        B = as_dense(stage_b.X, pool_b).astype(np.float64)+        block = np.vstack([xa[rows_a], xb[rows_b]]).astype(np.float64)+        keep = ((A > 0).mean(axis=0) >= RECOLOR_MIN_FRAC) & \+               ((B > 0).mean(axis=0) >= RECOLOR_MIN_FRAC) & \+               ((block > 0).mean(axis=0) >= RECOLOR_MIN_FRAC)+        idx = np.flatnonzero(keep)+        if idx.size < 8:+            continue+        As, Bs, Ds = A[:, idx], B[:, idx], block[:, idx]+        da = As - As.mean(axis=0)+        db = Bs - Bs.mean(axis=0)+        C_a = da.T @ da / max(len(da) - 1, 1)+        C_b = db.T @ db / max(len(db) - 1, 1)+        C_tgt = (1.0 - t) * C_a + t * C_b+        mu_o = Ds.mean(axis=0)+        D = Ds - mu_o+        C_out = D.T @ D / max(len(D) - 1, 1)+        W = _transport_map(C_out, C_tgt, RECOLOR_K, RECOLOR_REG, RECOLOR_MAP)+        W = np.eye(W.shape[0]) + RECOLOR_ETA * (W - np.eye(W.shape[0]))+        D_new = D @ W+        new_sub = mu_o + D_new+        mask_sub = Ds > 0+        new_sub = np.where(mask_sub, np.maximum(new_sub, 0.0), Ds)+        nz = mask_sub.sum(axis=0).astype(np.float64)+        shift = (new_sub.sum(axis=0) - Ds.sum(axis=0)) / np.maximum(nz, 1.0)+        new_sub = np.where(mask_sub, np.maximum(new_sub - shift, 0.0), Ds)+        new_block = block.copy()+        new_block[:, idx] = new_sub+        # diagnostics: correlation-matrix distance to the interpolated target+        def _corr(M, mask):+            Md = np.where(mask, M - M.mean(axis=0), 0.0)+            sd = np.sqrt((Md ** 2).sum(axis=0) / max(M.shape[0] - 1, 1))+            sd = np.maximum(sd, 1e-9)+            C = (Md / sd).T @ (Md / sd) / max(M.shape[0] - 1, 1)+            return C+        sd_t = np.sqrt(np.maximum(np.diag(C_tgt), 1e-18))+        R_t = C_tgt / np.outer(sd_t, sd_t)+        mask_full = block > 0+        R_before = _corr(np.where(mask_full, block, 0.0)[:, idx], mask_sub)+        R_after = _corr(np.where(mask_full, new_block, 0.0)[:, idx], mask_sub)+        d_before = float(np.linalg.norm(R_before - R_t))+        d_after = float(np.linalg.norm(R_after - R_t))+        rel_dists.append(d_after / max(d_before, 1e-12))+        ngenes.append(idx.size)+        maxchg.append(float(np.abs(new_sub - Ds).max()))+        drifts.append(float(np.abs(np.where(mask_full, new_block, 0.0).mean(axis=0)+                                   - np.where(mask_full, block, 0.0).mean(axis=0)).max()))+        nchg += int((np.abs(new_sub - Ds) > 1e-6).sum())+        ntot += int(mask_sub.sum())+        ncells += int((np.abs(new_sub - Ds) > 1e-6).any(axis=1).sum())+        zb += int((~mask_sub).sum())+        za += int((new_sub == 0.0).sum())+        new32 = new_block.astype(np.float32)+        xa[rows_a] = new32[:rows_a.size]+        xb[rows_b] = new32[rows_a.size:]+        n_types += 1+    info.update({"recolor_n_types": n_types,+                 "recolor_cells_changed": ncells, "recolor_cells_total": int(xa.shape[0] + xb.shape[0]),+                 "recolor_entries_changed": nchg,+                 "recolor_zero_before": zb, "recolor_zero_after": za})+    if rel_dists:+        info.update({"recolor_n_genes_median": float(np.median(ngenes)),+                     "recolor_rel_corr_dist": float(np.mean(rel_dists)),+                     "recolor_max_entry_change": float(np.max(maxchg)),+                     "recolor_max_mean_drift": float(np.max(drifts)),+                     "recolor_entries_frac": float(nchg / max(ntot, 1))})+    return info++ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float):     t = float(t)     damp = float(params.get("scale_damp", 1.0))@@ -617,6 +773,15 @@ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float):             labs_b_v = np.asarray(stage_b.labels).astype(str)[ib]             varrest_info = variance_restore(xa, xb, labs_a_v, labs_b_v, stage_a, stage_b, t, shared) +    recolor_info = {"recolor_eta": RECOLOR_ETA, "recolor_n_types": 0}+    if RECOLOR_ETA != 0.0 and ia.size and ib.size:+        if not shared:+            means_a, means_b, shared, delta = compute_delta(stage_a, stage_b, 10)+        if shared:+            labs_a_r = np.asarray(stage_a.labels).astype(str)[ia]+            labs_b_r = np.asarray(stage_b.labels).astype(str)[ib]+            recolor_info = recolor_cov(xa, xb, labs_a_r, labs_b_r, stage_a, stage_b, t, shared)+     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:@@ -634,7 +799,7 @@ def mix_converge(stage_a, stage_b, t: float, params: dict, alpha: float):     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,-        **prog_info, **varrest_info,+        **prog_info, **varrest_info, **recolor_info,     )     return expr, coords.astype(np.float32), info @@ -665,7 +830,7 @@ def main() -> None:                                       "lambda", "weight_mean", "weight_std",                                        "pair_beta", "n_paired_types", "n_pairs", "pair_within_std_rel",                                        "pair_orth_var_rel", "pair_dist_over_diam",-                                        "aniso_enable", "aniso_damp", "aniso_gamma", "aniso_spread_a",+                                        "aniso_enable", "aniso_damp", "aniso_boost", "aniso_gamma", "aniso_spread_a",                                         "aniso_spread_b", "aniso_spread_cur", "aniso_spread_target",                                         "aniso_factor", "aniso_aspect_in", "aniso_aspect_out",                                         "prog_kappa", "prog_mode", "prog_frac", "prog_n_swaps",@@ -674,8 +839,14 @@ def main() -> None:                                          "prog_sel_mean_b", "prog_pool_mean_b",                                          "varrest_gamma", "varrest_n_types", "varrest_r_median",                                          "varrest_r_q10", "varrest_r_q90", "varrest_max_mean_drift",-                                         "varrest_zero_before", "varrest_zero_after",-                                         "varrest_clipped_frac")}+                                          "varrest_zero_before", "varrest_zero_after",+                                          "varrest_clipped_frac",+                                          "recolor_eta", "recolor_k", "recolor_map", "recolor_n_types",+                                          "recolor_n_genes_median", "recolor_cells_changed",+                                          "recolor_cells_total", "recolor_entries_changed",+                                          "recolor_entries_frac", "recolor_rel_corr_dist",+                                          "recolor_max_entry_change", "recolor_max_mean_drift",+                                          "recolor_zero_before", "recolor_zero_after")}     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

做了什么：按 PLAN 实现型内基因共变重着色（`T2_RECOLOR_ETA`，Bures 传输映射 + 低秩截断，nnz-only、重居中、不动 rng/坐标），并额外实现坐标各向异性 boost 开关（`T2_ANISO_BOOST`）测试父节点建议的 occupancy_dice 方向。

查分（A 半，5/20 次，锚点 η=0 = 61.45 组分 48.93/60.97/58.16/77.31）：η=0.25 → variogram 0.01442→0.01443（无改善）、neighborhood_mmd 0.05506→0.05577（劣化）、cell_state 49.06、local_spatial 57.84，净负；诊断显示相关矩阵到 C_target 的距离随 η **增大**（1.003→1.021），机制未达设计目标（零模式主导相关结构）。aniso boost ±0.4/0.8/−0.5 都把 occupancy_dice 从 0.8086 降到 ~0.79，父节点 damp=1.25 已是局部最优。

提交：默认 η=0、boost=0，与父节点 17 逐位相同（`vec-check` ok，n=5000，重跑确定），预期 62.52 不变。

下一步最值得试：放弃表达侧型内变换（方差幅度、共变结构两条均已证伪）；改攻 occupancy_dice 的**形状/占据**而非展幅——按括号阶段体素占据概率做坐标层重排（搬细胞不搬值，保表达-坐标配对），或把 z 离散切片的层间距/层内密度向目标插值，这类改动不触发 neighborhood_mmd 的表达侧惩罚。

调研员

kill 仅 0.389（4.87/12.5，是八项中除 occupancy_dice 外最弱），cell_state 组分 50.31 是全树四组最低。variogram 比较随机基因对的 E|xi−xj|^0.5，对基因间共变敏感：mix 分层混抽把两侧真实细胞按 (1−t,t) 拼接，型内保留了端点双峰式的基因相关结构，而真值中间态的相关应更平滑。修复共变而非边际方差，是 ANALYSIS 指出的唯一未被试过的表达侧方向。",
 "approach": "在父节点 17 管线（γ=0 提交代码）的 β-收缩后新增可选步骤 T2_RECOLOR_ETA（默认 0=跳过，逐位复现父节点）。对每个共有类型（两侧各 ≥10 细胞、输出侧 ≥4 细胞）：1) 计算三个共变结构：C_a、C_b（两侧原始细胞的基因-基因协方差，稀疏中心化估计）和 C_out（输出侧）。只保留两侧共有且输出侧也表达的基因子集（加 nnz 比例 ≥0.03 过滤）。2) 目标共变 C_target = (1−t)·C_a + t·C_b。3) 对每个输出细胞的型内偏差向量 d = x − μ_out，做线性重着色：d ← d·W，其中 W = I + η·(C_target^{1/2}·C_out^{-1/2} − I)，η∈[0,1] 为机制强度；为避免高维求逆不稳，先取 C_out 前 k 个特征方向（k=20–50）做低秩近似。4) 重着色后逐基因重居中（按该基因 nnz 条目数摊回，沿用节点 17 修正），clip ≥0，不新增非零条目。5) 参数扫描：η ∈ {0.1, 0.25, 0.5}（小起步），k ∈ {20, 50}；每次查分必须同时报告 variogram raw 和 neighborhood_mmd raw。6) vec-score 快速筛选：先在 A 半用同日 η=0 锚点（应复现 61.45）对比 η=0.1；若 variogram raw 降幅 <0.0003 或 neighborhood_mmd raw 升幅 >0.001 即停（一票否决），最多 4–5 次查分判负。7) 单输入阶段退路不变：无括号时 main() 提前 return 分层复制，机制不执行。8) 不消费 rng、不改细胞选择、不改坐标：父节点抽样与 jitter 逐位保留。",
 "expected_groups": ["cell_state"],
 "risks": "1) 重着色本质是型内逐细胞偏差变换，与节点 17 的方差放大一样可能伤 neighborhood_mmd（15-NN 邻域均值分布变散）。缓解：邻域一票否决阈值 0.001，η 从 0.1 起步。2) 稀疏数据的共变估计噪声大，可能引入伪结构。缓解：nnz 比例过滤 + 低秩截断。3) 高维特征分解在 30 分钟时限内可能偏慢。缓解：k≤50、只处理 ≥10 细胞的型、先小样本验证。4) 效应可能在 1 分噪声内无法确认。缓解：同日锚点对比 + 至少两档 η 观察单调性。",
 "family_id": "T2EI-01",
 "mechanism": "对型内偏差做线性重着色（whitening-recolor），把输出细胞的基因间相关结构向括号阶段的时间插值目标 C_target 移动，修复混抽引入的端点双峰式共变，从而改善 variogram。",
 "vs_constant_shift": "常数位移只平移每个型的均值向量（所有同型细胞同方向同幅度），不改变型内方差或基因间相关；本机制保持型均值和边际方差不变（重着色矩阵接近正交、事后重居中），只重新分配型内偏差在不同基因方向上的相对幅度与相关性。节点 17 已证明边际方差无需修，本机制专攻共变结构。",
 "mechanism_evidence": "Engineer 应报告：(1) 重着色前后型内基因-基因相关矩阵与 C_target 的 Frobenius 距离（应随 η 单调下降）；(2) 每型被实际改变的细胞数与每细胞被改条目数；(3) variogram raw 与 mmd_u raw 随 η 的变化（预期同向改善）；(4) neighborhood_mmd raw 是否超过 0.001 一票否决线；(5) 四组分各自变化。若相关矩阵距离不动或所有型被改条目为 0，说明机制未运行。",
 "mechanism_off_control": "T2_RECOLOR_ETA=0 时完全跳过重着色步骤，输出应与父节点 17（γ=0）在相同 seed 下逐位相同（array_equal 验证）。开启后（η>0）型内偏差被改变、相关矩阵向目标靠拢；若开启后输出仍逐位相同，说明机制未生效。",
 "sources": []}
```

审查员

REVIEW.json written