总览 · ← 返回运行 20261003-172000-search-t2-heart-extrap-chain-12h

节点 n11 在终选来历上

T2HX-03 PCA方差趋势外推（保均值调型内离散度）：双向网格全劣于地板，按边界规则以机制关（VEC_ALPHA=0，逐位=copy_last）提交

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 ee234483ef: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 68df456772。改动的文件：solution/METHOD.md +33 −31、solution/run.py +88 −98

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex bfe2fd8..dd92180 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,43 +1,45 @@-# 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）+# T2HX-03 PCA方差趋势外推（保均值调型内离散度）：双向网格全劣于地板，按边界规则以机制关（VEC_ALPHA=0，逐位=copy_last）提交 -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。+copy_last 基座上实现 PLAN 家族 T2HX-03：在锚阶段表达 PCA 空间按两输入阶段（E8.25→E8.75，程序从 manifest 现场取倒数两条目）的逐 PC 方差比 r_j 对锚阶段 PC 得分做乘性缩放 sqrt(1+α(r_j−1))，delta 重构保均值、坐标不动。机制确认生效（缩放因子 f∈[0.963,1.036]，19/20 PC 被缩放），但 A 半上 variogram 随 |α| 在**扩张（α>0）与收缩（α<0）两个方向都单调恶化**（0.0586→0.0620/0.0639/0.0665/0.0696），mmd_u 不动或更差，neighborhood_mmd 同步恶化，α=0.20 还击穿 DE 无变化保护（de_score −0.625）。PLAN go/no-go（两项同时低于 identity−3σ）全网格未过，按边界规则提交 VEC_ALPHA=0，提交态与父节点10逐位一致（预期 50.00，identity 本节点实测 3 次均 50.00）。 -## 方法（PLAN 家族 T2HX-04，机制完整实现，开关默认关）+## 方法（PLAN 家族 T2HX-03，机制完整实现，开关默认关） -- 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。+- 基座：`anchor_entry` 锚阶段（n=24826 ≤ max_cells=25179 → 整份输出，无抽样），坐标、细胞数、基因序不变。+- 机制（VEC_ALPHA≠0 时）：+  1. `extrap_step(manifest)` 取 (prev, last)；单输入视图 prev=None → 机制自动跳过（PLAN 步骤5退路）。+  2. sklearn `PCA(n_components=min(50,n−1,G), svd_solver="full")` 拟合锚阶段 X（确定性 SVD）；两阶段投影到同一载荷 V。+  3. 逐 PC 方差比 r_j = var(Z_late)/(var(Z_early)+1e-8)；仅对前 K 个 PC 且 r_j∈[0.5,2.0] 的做 f_j = sqrt(1+α(r_j−1))（截断防爆炸）。+  4. **delta 重构** X_new = X + (Z·(f−1)) @ V（而非全重构），保留 off-PCA 残差结构；再 clip(0)。得分列中心化 → 重构前逐基因均值严格不变。+- 开关：`VEC_ALPHA`（默认 0=关）、`VEC_K`（默认 20）、`VEC_NPC`（默认 50）、`VEC_RLO/RHI`（默认 0.5/2.0）。只用相对时间差与视图数据，无绝对时间、无阶段名、无视图路径分支。 -## 网格结果（vec-score, T2:heart:val_extrap/proxy_noscale, A半；6次查分）+## 机制生效证据（PLAN mechanism_evidence 对应项，VEC_DEBUG=1 实测） -| 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） |+- (a) α=0.10/k=20：19/20 个 PC 被缩放（r_1=2.204>2.0 被截断），f∈[0.9983,1.0360]，偏离 1 但不极端；r[:5]=[2.20,1.60,1.44,1.34,1.30]（E8.25→E8.75 型内离散度整体在涨）。+- (b) 均值：delta 重构在 clip 前逐基因均值差为 0（数学恒等）；clip(0) 在 ~6.25M 个条目（约 50%，稀疏零值处）生效后 max |基因均值漂移| = 1.97e-2，std(dp)=0.0041 —— 未达 PLAN 预期的 <1e-5，如实报告；但 α≤0.10 时无变化保护仍触发（de_score/de_direction 原始值均 0，expression_change 保持 50.00）。+- (c) 相对同次 identity 的原始值变化见下表；(d) 四组分变化：expression_change α≤0.10 保持 50.00、α=0.20 掉到 45.58（保护击穿，clip 伪影 dp 被当信号打分，复刻 node6 失败模式）；cell_state 48.40–49.29（全劣）；local_spatial/shape_scale 49.72–49.98（nb 微升触发结构门，坐标本身未动）。 -**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）。+## 网格结果（vec-score T2:heart:val_extrap/proxy_noscale，A 半；共用 7 次查分） -## 机制生效证据（按 PLAN mechanism_evidence）+| 配置 | 榜分 | mmd_u | variogram | neighborhood_mmd | de_score |+|---|---:|---:|---:|---:|---:|+| **identity（提交态，=copy_last）** | **50.00** | 0.05856 | 0.058616 | 0.11445 | 0 |+| α=+0.05, k=10 | 49.81 | 0.05856 | 0.062019 | 0.11454 | 0 |+| α=+0.10, k=20（PLAN 快筛点） | 49.69 | 0.05855 | 0.063896 | 0.11476 | 0 |+| α=+0.20, k=50 | 48.41 | 0.05859 | 0.066513 | 0.11526 | −0.625 |+| α=−0.10, k=20（收缩对照） | 49.27 | 0.05948 | 0.069631 | 0.11572 | 0 | -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。+- **噪声标定（PLAN 步骤1，2 次查分）**：同一份 identity 输出连续查分 2 次，全部 8 项原始值逐位相同（mmd_u 0.05856 / variogram 0.058616）→ 评分器对同一文件确定性，σ=0；父节点观察到的 0.1126 vs 0.11445 差异来自 A/B 半之分，不是逐次噪声。因此 go/no-go 阈值退化为"严格低于 identity"，网格无一点达标（variogram 双向单调恶化，扩张 3 档 + 收缩 1 档）。+- 双向恶化说明：以 copy_last 的方差谱为起点，任何沿 PCA 轴的离散度扰动（无论顺趋势扩张还是逆趋势收缩）都同时推高 variogram 与 neighborhood_mmd；identity 是这 8 项指标在该扰动族下的局部最优。+- 机制关对照（PLAN mechanism_off_control）：VEC_ALPHA=0 默认路径跳过 PCA，输出与父节点10/copy_last 逐位一致（X 的 sha256 前缀 eb2ca3f42ec88ed4 在 seed 0/1、真实/伪装视图上全部相同），identity 本节点 3 次查分（calib×2 + 误跑负α被 `ALPHA>0` 守卫跳过的那次）均 50.00、四组全 50.00。 -## 机制关闭对照（mechanism_off_control）+## 验证过 / 没验证过 -`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。+- 验证过：提交态 seed 0/1 逐位一致；伪装视图（时间统一 +1 天、manifest 键序打乱、换路径）上提交态与机制开启态（α=0.10/k=20）输出均与真实视图逐位一致 → 视图无关；`vec-check` 通过；单输入阶段自动回退（prev=None 分支）；CPU 运行 ~10 s、峰值内存 <1 GB（limits 28 GB/30 min 内）。+- 没验证过：真实 final 视图（3 输入，倒数两阶段的方差比可能与代理括号不同，但机制开关默认关，提交态就是 copy_last，不受影响）；B 半上的表现（提交态与父节点逐位相同，无迁移风险）。+- 生物学知识来源：无外部生物学先验写入程序；机制只用视图内两输入阶段的表达统计（方差比），属 PLAN 允许的"从 manifest 输入现场计算"。external/ 的 Qiu E8.75 与锚阶段同时相、无时间方向，未使用（与 PLAN motivation 一致）。 -## 结论+## 给树的结论 -- 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。+- T2HX-03 家族在本榜双向证伪：cell_state 组的 variogram/mmd_u 对"沿锚阶段 PCA 轴的方差缩放"在任一方向都无收益，identity 是局部最优；不要再用 |α| 更小的同族配置试探（单调性已确立）。+- α≥0.2 时 clip(0) 伪影会击穿 DE 无变化保护并反噬 expression_change（−4.4 分），任何改表达值的方案都必须先报 std(dp) 与保护是否触发。+- 至此 copy_last 基座上表达值微扰（T2HX-01 均值位移、T2HX-03 方差缩放）与坐标-表达配对重排（T2HX-04/06）三个族全部证伪；本榜剩余未试杠杆只有引入视图外信息的型内状态细化（external/ 同时相数据无方向，价值存疑）或接受地板。diff --git a/solution/run.py b/solution/run.pyindex ec77bf7..4734044 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,114 +1,98 @@ #!/usr/bin/env python3-"""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.+"""PCA variance-trend extrapolation (T2 heart extrap, family T2HX-03).++copy_last base (anchor = last input stage, stratified sample to the manifest+cell range; coordinates untouched).++Mechanism: fit a PCA on the anchor stage's expression matrix. Project both+input stages (early = second-to-last, late = anchor) onto the anchor's+components and compute per-PC variance ratios r_j = var_late / var_early.+Scale the anchor's PC scores multiplicatively, Z_new[:, j] =+Z[:, j] * sqrt(1 + alpha * (r_j - 1)), for the top K PCs whose r_j lies in+[R_LO, R_HI] (extreme ratios are truncated). Reconstruction is done as a+delta, X_new = X + (Z_new - Z) @ V, so the residual (off-PCA) structure is+kept and the per-gene mean is unchanged (score columns are centred). This+extrapolates the within-population dispersion trend between the two observed+stages without moving the pseudobulk mean.++VEC_ALPHA=0 (default) skips the mechanism entirely and reproduces copy_last+bit-for-bit (mechanism-off control). With a single input stage the variance+ratio cannot be estimated and the mechanism is skipped as well. """  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--# 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+from src.task2_spatial.view_io import (+    anchor_entry,+    extrap_step,+    load_manifest,+    panel_genes,+    read_stage,+    write_t2,+)++# Mechanism switch. Local grid (A-half): variogram degrades monotonically with+# |alpha| in BOTH directions (expand alpha>0: 0.0586 -> 0.0620/0.0639/0.0665;+# shrink alpha<0: -> 0.0696), mmd_u flat or worse, nb worse; alpha=0.20 also+# breaks the DE no-change protection (de_score -0.625). Boundary rule applies:+# default 0 = off = bit-for-bit copy_last.+ALPHA = float(os.environ.get("VEC_ALPHA", "0.0"))  # 0 = mechanism off = copy_last+K_PC = int(os.environ.get("VEC_K", "20"))  # number of leading PCs to rescale+N_PC = int(os.environ.get("VEC_NPC", "50"))  # PCA components fitted+R_LO = float(os.environ.get("VEC_RLO", "0.5"))  # variance-ratio truncation+R_HI = float(os.environ.get("VEC_RHI", "2.0")) DEBUG = bool(os.environ.get("VEC_DEBUG"))  -def repermute(X: np.ndarray, coords: np.ndarray, budget_frac: float, seed: int):-    """Greedily re-pair expression rows to fixed coordinate slots.--    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).-    """-    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)+def variance_extrapolate(+    X: np.ndarray, X_early: np.ndarray, alpha: float, k: int, seed: int+) -> np.ndarray:+    """Mean-preserving per-PC variance scaling of X along the early->late trend."""+    from sklearn.decomposition import PCA++    n, g = X.shape+    n_comp = int(min(N_PC, n - 1, g))+    if n_comp < 1 or X_early.shape[0] < 32 or alpha == 0.0:+        return X+    pca = PCA(n_components=n_comp, svd_solver="full", random_state=seed)+    pca.fit(X)+    V = pca.components_  # (n_comp, g)+    mu = pca.mean_+    Z = (X.astype(np.float64) - mu) @ V.T+    Ze = (X_early.astype(np.float64) - mu) @ V.T+    var_late = Z.var(axis=0, ddof=1)+    var_early = Ze.var(axis=0, ddof=1)+    r = var_late / (var_early + 1e-8)++    kk = int(min(k, n_comp))+    f = np.ones(n_comp, dtype=np.float64)+    mask = (r[:kk] >= R_LO) & (r[:kk] <= R_HI)+    f[:kk] = np.where(mask, np.sqrt(1.0 + alpha * (r[:kk] - 1.0)), 1.0)+     if DEBUG:-        tot = float(np.sum(gains)) if gains else 0.0+        nmask = int(mask.sum())         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}"+            f"PCs rescaled {nmask}/{kk} (ratio in [{R_LO},{R_HI}]); "+            f"f range [{f.min():.4f},{f.max():.4f}]; "+            f"r[:5]={np.round(r[:5], 3)} f[:5]={np.round(f[:5], 4)}"         )-    return X, swaps++    dZ = Z * (f - 1.0)[None, :]+    X_new = X + (dZ @ V).astype(np.float32)+    X_new = np.clip(X_new, 0.0, None)++    if DEBUG:+        dmean = np.abs(X_new.mean(axis=0) - X.mean(axis=0)).max()+        nclip = int((X + (dZ @ V).astype(np.float32) < 0).sum())+        dnorm = np.abs(X_new - X).mean()+        print(f"max |gene-mean shift| = {dmean:.3e}; clipped entries = {nclip}; mean |dX| = {dnorm:.4f}")+    return X_new.astype(np.float32)   def main() -> None:@@ -130,10 +114,16 @@ def main() -> None:     X = stage.X[rows].toarray().astype(np.float32)     coords = stage.coords[rows] -    if SWAP > 0.0:-        X, swaps = repermute(X, coords, SWAP, args.seed)-        if DEBUG:-            print(f"VEC_SWAP={SWAP} swaps={swaps}")+    if ALPHA != 0.0:+        prev_entry, _, _ = extrap_step(manifest)+        if prev_entry is not None:+            prev = read_stage(args.data, prev_entry, genes)+            X_early = prev.X.toarray().astype(np.float32)+            X = variance_extrapolate(X, X_early, ALPHA, K_PC, args.seed)+            if DEBUG:+                print(f"VEC_ALPHA={ALPHA} VEC_K={K_PC} applied")+        elif DEBUG:+            print("single input stage: mechanism skipped, copy_last")      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**：实现 PLAN 家族 T2HX-03（PCA 方差趋势外推，delta 重构保均值，开关 `VEC_ALPHA` 默认关）；先标定评分器噪声（同一文件 2 次查分原始值逐位相同 → σ=0，父节点的"逐次噪声"实为 A/B 半差异），再跑网格：α=+0.05/+0.10/+0.20（扩张）与 α=−0.10（收缩对照）。

**查分结果**（7/20 次）：identity 50.00；扩张 49.81/49.69/48.41；收缩 49.27。variogram 随 |α| 双向单调恶化（0.0586→0.0696），mmd_u 不动或更差，α=0.20 的 clip 伪影击穿 DE 保护（de_score −0.625）。PLAN go/no-go 全网格未过，按边界规则以机制关提交——提交态与父节点/copy_last 逐位一致，seed 0/1 与伪装视图（+1 天平移、乱序 manifest）逐位复现，vec-check 通过，运行 1.3 s。

**下一步最值得试**：本榜 copy_last 基座上三个扰动族（均值位移、配对重排、方差缩放）已全部证伪，identity 是八项指标的局部最优；建议停止表达值/坐标微扰方向，要么接受地板，要么探索能引入真实时间方向信息的机制（如跨阶段细胞型配对的状态过渡建模），且任何改表达的方案必须先验证 DE 无变化保护是否保持。

调研员

时间方向；改用视图内两输入阶段（E8.25→E8.75）的方差变化率做外推。",
  "approach": "步骤：\n1. 噪声标定（3次查分）：对同一份copy_last输出连续调用vec-score 3次，记录mmd_u和variogram原始值的均值与标准差σ。后续任何候选必须两项同时低于均值−3σ才视为信号。\n2. 实现方差外推：\n   a. 读入两个输入阶段（anchor_entry为末阶段；另一阶段从manifest取倒数第二条目）。\n   b. 对锚阶段X做PCA（sklearn PCA, n_components=min(50, n-1, G)），得载荷V和均值μ。\n   c. 将两阶段分别投影到同一V上得Z_early、Z_late；逐PC计算方差比r_j = var(Z_late[:,j]) / (var(Z_early[:,j]) + 1e-8)。\n   d. 对锚阶段投影Z，缩放：Z_new[:,j] = Z[:,j] * sqrt(1 + α·(r_j − 1))，仅对r_j∈[0.5, 2.0]的PC生效（极端值截断防爆炸）。\n   e. 重构：X_new = Z_new @ V.T + μ，再clip(0)。\n   f. 坐标不变、细胞数不变、基因集不变。\n3. 网格：α∈{0.05, 0.10, 0.20}，PC数k∈{10, 20, 50}（取前k个PC做缩放，其余不动）。共9配置×2次查分=18次（含标定3次共21次，若超20次则标定缩为2次）。\n4. Go/no-go：mmd_u和variogram原始值必须同时低于同次identity查分值−3σ（标定得出）；否则以α=0提交（=copy_last）。\n5. 单输入阶段退路：若manifest只有一个阶段，无法估计方差比，直接回退copy_last（VEC_ALPHA=0路径）。\n6. vec-score快速筛选：先跑α=0.10/k=20单点，若mmd_u未低于identity−σ，跳过其余网格直接提交off。",
  "expected_groups": ["cell_state"],
  "risks": "1. 方差比r_j噪声大（两阶段样本量有限），外推方向错误→mmd_u/variogram反升；Engineer应在网格第一点（α=0.10, k=20）就对比identity，若两项均劣于identity则立即止损提交off。2. clip(0)在低表达基因上引入偏差，但方差缩放幅度小（α≤0.2），预期受影响基因极少。3. 本地proxy_noscale对外推榜系统性高估（本地54.2→官网49.6），即使本地+0.5也可能官网无收益；方案定位为探索性，若本地增益<1.5分仍按no-go提交off。4. 评分器MMD计算有±0.0002噪声，3次标定可能不足以精确估σ；若σ估计不稳，放宽阈值至均值−2σ。",
  "family_id": "T2HX-03",
  "mechanism": "在表达PCA空间中，利用两个输入阶段间各PC方差的变化率（r_j），对锚阶段PC得分做乘性缩放（sqrt(1+α(r_j−1))），外推型内离散度趋势；均值逐位不变，只改分布形状。",
  "vs_constant_shift": "常数位移对每个基因加同一偏移，改变均值、不改变方差；本方案对每个细胞在PCA空间的得分做逐PC乘性缩放，均值不变（重构后逐基因均值与锚阶段相同），只改变各主成分方向的离散程度。效果是调整细胞间的相对位置（分布形状），而非整体平移。",
  "mechanism_evidence": "Engineer应报告：(a) α=0.10时各PC缩放因子sqrt(1+α(r_j−1))的分布（应偏离1但不极端）；(b) 重构后X_new与X的逐基因均值差（应<1e-5，证明均值不变）；(c) mmd_u和variogram原始值相对同次identity的变化量（必须同时低于−3σ）；(d) 四组分各自变化：expression_change应保持50.00（均值未动→无变化保护仍触发），local_spatial和shape_scale应保持50.00（坐标未动）。",
  "mechanism_off_control": "环境变量VEC_ALPHA=0（默认）：缩放因子全部为1，Z_new=Z，重构后X_new=X（浮点精确），输出与copy_last逐位一致。预期：榜分50.00，四组全50.00，与父节点10无差异。若VEC_ALPHA>0但输出仍与copy_last逐位相同，说明机制未运行（检查PCA是否实际执行、r_j是否全为1）。",
  "sources": []
}
```