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

节点 n7

copy_last 基座上的表达kNN引导坐标置换（T2HX-06）：表达矩阵与坐标点集逐位不变，贪心2-opt在坐标15-NN图上最小化表达Dirichlet能量，仅重排细胞-坐标配对。

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 4e72c04322: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 a0271985a8。改动的文件：solution/EXECUTION.json +1 −0、solution/METHOD.md +34 −27、solution/run.py +87 −211

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.mdindex 6640572..b317e6c 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,32 +1,39 @@-T2HX-01 位移层：外推时优先用视图内"晚于末输入、不晚于目标"的外部样本按伪批量相关匹配细胞型做阻尼位移（保坐标）；两输入速度回退在代理上验证有害、默认关；无可用方向时逐位等于 copy_last。--## 方法--在父节点（copy_last）之上加一个位移层，管线（全部只读 manifest 的相对时间与区间字段，无绝对阶段/尺寸常数，伪装视图安全）：--1. 细胞选择与坐标和父节点完全相同：anchor=最后观测阶段，n≤max_cells 整份输出，超过则按型分层抽样；坐标一律不动（保 neighborhood_mmd 与结构门）。-2. 位移方向按优先级：-   - (a) **外部前向靶**：`manifest.external` 中存在区间 (e_lo, e_hi) 满足 e_lo > 末输入时间且 e_hi ≤ 目标时间的样本时，加载并对齐到面板（<50 共有基因则放弃；X 若像原始计数则重算 log1p(CP10k)）；anchor 各细胞型与外部型在共有基因伪批量上算 Pearson r，r≥0.5 才配对；每细胞 shift = α·[β·型级差 + (1−β)·(匹配型内最近邻外部细胞 − 本细胞)]，α=0.5、β=1（默认）。-   - (b) 两输入速度回退：型级伪批量差 × α_vel × dt_ratio。**默认 α_vel=0（关）**，理由见下。-   - (c) 都没有 → 输出逐位等于 copy_last。-3. shift 逐基因截断在 ±2·std(基因 in anchor)，X+shift 后截 0。异常时 (a) 路径 try/except 回退，绝不崩。--## 机制对照与验证（proxy_noscale，5 次查分）--- **α=0 对照（mechanism_off_control）**：默认配置在代理上的输出与父节点逐位相同（X、坐标 array_equal 验证），vec-score 实测 **50.00**，四组全 50。✓-- **速度回退 (b) 的方向质量**（这是代理上唯一可测的方向）：-  - 型级伪批量速度 α_eff=0.45/0.9/1.5：**49.0 / 48.7 / 48.3**。de_score 原始值 −0.056（低于 chance），de_direction ≈ −0.003~−0.007：E8.25→E8.75 的型级速度与真值 E8.75→E9.5 变化**不相关甚至反相关**，且 DE 两项对 α 近似不变（秩/符号指标），所以任何 α 都拿不到 DE 收益，只赔 variogram（skill 0.36–0.44）。与方法卡"α 网格单调低于地板"一致。-  - 去掉增殖模块（GO BP 名字含 cell cycle/mitotic/DNA replication 等的 44 个面板基因置零，通用基因功能注释，来自视图 prior/go）α_eff=0.45：**49.05**。de_direction 转微正（+0.015，skill 0.504）但 de_score 更差（−0.139），variogram 仍赔 0.8 分。-- 结论：代理上速度外推方向无信号，(b) 默认关（α_vel=0）；代理行为 = copy_last = 50.00。-- **外部路径 (a) 冒烟测试**（把末输入时间假装提前以触发）：加载 qiu E8.75、27883 基因对齐、33 个 anchor 型中 1 个（心脏谱系）r≥0.5 配对成功、shift 逐型非零——机械上可运行；代理视图内没有真正"晚于末输入"的外部样本，故该路径的科学效果**未能在本地验证**（这正是方法卡指出的外推盲区：本地尺子无法检验方向，且外推榜本地分历史上高估官网分）。-- vec-check 对本 board 返回 "not allowed for this client"（客户端限制，非格式问题）；vec-score 正常接收并打分同一文件，格式合规。+copy_last 基座上的表达kNN引导坐标置换（T2HX-06）：表达矩阵与坐标点集逐位不变，贪心2-opt在坐标15-NN图上最小化表达Dirichlet能量，仅重排细胞-坐标配对。++## 方法（复现节点5机制，父节点为节点3）++1. 细胞选择与节点3/节点1完全一致：anchor=最后观测阶段（`anchor_entry`），n=clip(stage.n, min_cells, max_cells)，n≤stage.n 时按型分层 `take`（本视图 24826 ≤ 25179，整份输出）。表达 X 一律不改。+2. 置换层（`VEC_PERM_SWAPS`，默认 1,000,000 次提案）：+   - 坐标上建 15-NN 图（与评分器 neighborhood 定义一致，含自身），对称化成无向邻接 A；点集不变 → 图固定。+   - 表达投影到 PCA 32 维（random_state=0，确定）。+   - 目标函数：E = Σ_{(j,k)∈A} ||y_j − y_k||²（Dirichlet 能量），y = 位置上的细胞表达。+   - 贪心 2-opt：rng(seed+1000003) 成批生成随机位置对 (p,q)，ΔE<0 才交换两位置的细胞；ΔE 只算 p、q 的邻域（度 ~17）。+   - 输出：细胞 i 的坐标 = 原坐标槽 inv[i]（inv 为 perm 的逆）。X、坐标点集逐位不变，只改配对。+3. 单输入阶段退路：置换不依赖两阶段之差，单输入照常执行；nc≤1 时跳过。+4. 纯 CPU（EXECUTION.json gpu:false），本视图实测运行 29 s / <2 GB。++## 机制证据（proxy 视图，seed 0）++- 验证不变量：`array_equal(输出X, 父输出X)`=True；坐标点集排序后逐位相等=True；实际换位细胞比例 17.3%（2700/1e6 次交换被接受）。+- 能量：identity（真实 E8.75 配对）E=1.376e8；随机配对 E=3.114e8；表达k-means层级区域匹配 E=1.531e8（**比 identity 差**）；2-opt from identity 200k 次 → 1.363e8（−1%）。identity 本身已接近 2-opt 局部最优。+- 查分（A半，proxy_noscale，共 5 次）：+  - 父 copy_last 基线：neighborhood_mmd raw 0.11445（=地板），全 8 项 skill 0.5，总分 50.00。+  - 随机配对：nbh raw 0.3248（skill 0.26），结构门 0.52 把形状组打到 6.1/12.5，总分 ~37.6 → 配对被破坏重罚，证明 nbh 确实测配对质量。+  - 温和2-opt（200k，4.3%换位）：nbh raw 0.1139（skill 0.5012，+0.03分）；occupancy raw 0.8115（skill 0.4486，−0.43分）→ 总分 ~49.6。occupancy/d2 对**同一点集**也随细胞顺序波动（评分器按索引抽样，抽到的点子集随配对改变）：这是抽样运气，不是信号，跨半/跨种子不可复现。+  - **最终版（1M 次，17.3%换位）：nbh raw 0.11416（skill 0.5006，+0.015分），occupancy raw 0.8148（=地板），d2 raw 0.04889（≈地板），总分 ≈50.02。**+- 机制对照（mechanism_off_control）：`VEC_PERM_SWAPS=0` 输出与父节点逐位相同（X、坐标 array_equal 均 True），预期正式分 50.00（与节点1/3一致）。✓++## 结论与如实说明++- 该机制在本榜的真实收益上限很小：真实 E8.75 的空间-表达配对已接近 Dirichlet 能量的局部最优，可降空间 ~1–2%，对应 nbh skill +0.001~0.01 量级；随机/层级匹配等更"平滑"的配对全部更差或相近。节点5 的 shape_scale 50→60 无法由点集不变的置换产生真实收益（三个形状指标只看坐标点集），大概率是 occupancy_dice 索引抽样运气，B半 seed0 单次观测，rank3 未验证——本节点未复现该 +10（同一点集下 occupancy 波动 ±0.05 skill 均出现过）。+- 提交版本取 1M 提案：nbh 真实微升（0.11445→0.11416），其余项回到地板，A半总分 50.02。相对父节点是"不劣 + 微小真实正信号"，形状项不主动赌抽样运气。+- 未验证：更优提案分布（表达kNN引导的候选对）能否把能量再降 5–10% 及 nbh 是否随之继续下降（时间不够）；final 视图（真实 E9.5 目标、末步共有类型可能少）上的表现。+- 护栏预期：按种子均值高出 copy_last 1 分以上的护栏大概率达不到（真实信号 ~+0.02），如实记录。  ## 知识来源 -- GO BP 注释（视图 prior/go/gene_sets_bp.gmt）：增殖模块（细胞周期/有丝分裂/DNA 复制）是瞬态程序，其早期轨迹不可靠外推——通用基因功能知识，非任何保留阶段测量。-- 细胞型配对用表达相关而非标签名（外部数据标签词汇可能不同）——PLAN T2HX-01 规定。+- 15 近邻定义与评分器 neighborhood_mmd 一致（任务书评分简报，公开规则）；其余全部为通用算法（PCA、kNN 图、2-opt、Dirichlet 能量），未使用任何保留阶段/基因型的测量信息，无外部常数。 -## 已知弱点 / 未验证+## 视图无关性 -- (a) 路径在真实 final 视图（可能挂 MOSTA E9.5 等前向外部样本）上的效果无法在本地检验；若方向错会低于地板。终选护栏（proxy_noscale 种子均值需超 copy_last 1 分）在本节点上不会通过，正式提交会回落到基线预测。-- 未做：STRING/通路平滑速度、t 统计加权、逐细胞 OT 位移（方法卡已证 OT 伤邻域）。+不读绝对时间/阶段名/board/mode；只用锚点阶段自身的表达与坐标、manifest 的 min/max_cells、--seed。伪装视图（时间平移、路径改名、键序打乱）下输出逐位不变。diff --git a/solution/run.py b/solution/run.pyindex 196e6b2..a9ee23f 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,22 +1,20 @@ #!/usr/bin/env python3-"""T2 extrapolation: expression-matched pseudobulk displacement on the anchor stage.--Mechanism (family T2HX-01): shift each anchor-stage cell's expression toward a-forward target while keeping coordinates untouched (preserves local spatial-pairing). Target priority, computed only from view data and relative times:--  (a) an external sample whose whole stage interval lies strictly after the-      last input and at/before the target: per-cell type of the anchor is-      matched to external types by pseudobulk Pearson correlation on shared-      panel genes (r >= 0.5); shift blends the matched type-level difference-      (weight beta) with a nearest-neighbour cell-level difference (1 - beta).-  (b) else with >= 2 inputs: per-type pseudobulk velocity between the last two-      inputs, extrapolated over (target - last) time; type-level shift.-  (c) else: copy_last exactly (alpha also forces this when set to 0).--Shifts are per-gene capped at cap * std(gene in anchor), values clipped at 0.-No absolute stage names, times or sizes are hardcoded; only relative time-differences from the manifest are used, so the program is view-independent.+"""T2 extrapolation: copy_last base + expression-kNN-guided coordinate permutation.++Mechanism (family T2HX-06): the expression matrix and the coordinate point set+are kept bit-for-bit identical to the anchor (last observed) stage; only the+cell-to-coordinate assignment is permuted. A greedy 2-opt search swaps the+coordinates of random cell pairs and accepts a swap when it lowers the+Dirichlet energy sum_{(j,k) in kNN} ||y_j - y_k||^2 over the fixed 15-NN+coordinate graph (y = expression in PCA space). This makes expression-similar+cells spatial neighbours, improving local spatial organisation+(neighborhood_mmd) without touching any expression value.++mechanism_off_control: VEC_PERM_SWAPS=0 skips the permutation entirely and the+output equals copy_last bit-for-bit (cell selection identical to the parent).++View independence: no absolute stage names, times, sizes or cell counts are+used; everything is computed from the manifest inputs and --seed. """  from __future__ import annotations@@ -24,158 +22,62 @@ from __future__ import annotations import argparse import os import sys+import time  import numpy as np  from src.task2_spatial.sample import take from src.task2_spatial.view_io import (     anchor_entry,-    extrap_step,     load_manifest,     panel_genes,     read_stage,-    target_time,     write_t2, ) -ALPHA = float(os.environ.get("VEC_ALPHA", "0.5"))  # external-forward path-ALPHA_VEL = float(os.environ.get("VEC_ALPHA_VEL", "0.0"))  # two-input velocity fallback (proxy-validated: harmful, kept off)-BETA = float(os.environ.get("VEC_BETA", "1.0"))-CAP = float(os.environ.get("VEC_CAP", "2.0"))-TIME_SCALE = bool(int(os.environ.get("VEC_TS", "1")))-CC_ZERO = bool(int(os.environ.get("VEC_CC", "0")))-MATCH_R = 0.5-MIN_SHARED = 50--_CC_KEYWORDS = ("cell cycle", "mitotic", "meiotic", "dna replication", "chromosome segregation", "cytokinesis")---def _cell_cycle_genes(view: str) -> set[str]:-    """Genes in GO BP terms whose name indicates proliferation programs (generic-    gene-function annotation from the view's prior/; transient modules whose-    early trajectory is not trusted for forward extrapolation)."""-    out: set[str] = set()-    try:-        path = os.path.join(view, "prior", "go", "gene_sets_bp.gmt")-        with open(path) as fh:-            for line in fh:-                parts = line.rstrip("\n").split("\t")-                if len(parts) < 3:-                    continue-                name = parts[1].lower()-                if any(k in name for k in _CC_KEYWORDS):-                    out.update(parts[2:])-    except OSError:-        pass-    return out---def _pb(X: np.ndarray, labels: np.ndarray) -> tuple[list[str], np.ndarray]:-    types = sorted(set(labels.tolist()))-    out = np.zeros((len(types), X.shape[1]), dtype=np.float64)-    for k, t in enumerate(types):-        m = labels == t-        if m.any():-            out[k] = X[m].mean(axis=0)-    return types, out---def _external_forward_entry(manifest: dict, last_time: float, tt: float) -> dict | None:-    for e in manifest.get("external") or []:-        try:-            lo = float(e.get("e_lo", -np.inf))-            hi = float(e.get("e_hi", lo))-        except (TypeError, ValueError):-            continue-        if lo > last_time + 1e-6 and hi <= tt + 1e-6:-            return e-    return None---def _load_external(view: str, entry: dict, genes: list[str]):-    import anndata as ad-    from scipy import sparse--    ad_obj = ad.read_h5ad(os.path.join(view, entry["path"]))-    ext_genes = [str(g) for g in ad_obj.var_names]-    pos = {g: i for i, g in enumerate(ext_genes)}-    shared = [g for g in genes if g in pos]-    if len(shared) < MIN_SHARED:-        return None, None-    cols = np.array([pos[g] for g in shared])-    X = ad_obj.X-    X = X.toarray() if sparse.issparse(X) else np.asarray(X)-    X = np.nan_to_num(np.asarray(X, dtype=np.float64))-    if "log1p" not in ad_obj.uns and X.max() > 30.0:  # looks like raw counts-        tot = X.sum(axis=1, keepdims=True)-        tot[tot <= 0] = 1.0-        X = np.log1p(X / tot * 10000.0)-    X = X[:, cols]-    labels = (-        np.asarray(ad_obj.obs["celltype"]).astype(str)-        if "celltype" in ad_obj.obs-        else np.array(["ext"] * X.shape[0])-    )-    return shared, (X, labels)---def _direction_external(view, manifest, genes, X_a, lab_a, pb_a, last_time, tt):-    entry = _external_forward_entry(manifest, last_time, tt)-    if entry is None:-        return None-    try:-        shared, loaded = _load_external(view, entry, genes)-        if loaded is None:-            return None-        X_e, lab_e = loaded-        gidx = np.array([genes.index(g) for g in shared])-        types_e, pb_e = _pb(X_e, lab_e)-        # match anchor types to external types by pseudobulk Pearson r on shared genes-        A = pb_a[:, gidx]-        B = pb_e-        A = A - A.mean(axis=1, keepdims=True)-        B = B - B.mean(axis=1, keepdims=True)-        na = np.linalg.norm(A, axis=1, keepdims=True)-        nb = np.linalg.norm(B, axis=1, keepdims=True)-        na[na == 0] = 1.0-        nb[nb == 0] = 1.0-        C = (A / na) @ (B / nb).T-        best = C.argmax(axis=1)-        ok = C[np.arange(len(best)), best] >= MATCH_R-        print(f"[diag] external target {entry.get('id')}: matched {ok.sum()}/{len(ok)} anchor types", file=sys.stderr)-        if not ok.any():-            return None-        # type-level difference on full panel (external genes only)-        diff_t = np.zeros_like(pb_a)-        for k in range(len(ok)):-            if ok[k]:-                diff_t[k, gidx] = pb_e[best[k]] - pb_a[k, gidx]-        # cell-level: nearest external neighbour within matched type-        from sklearn.neighbors import NearestNeighbors--        shift = np.zeros_like(X_a)-        d_sub = X_a[:, gidx]-        types_a = sorted(set(lab_a.tolist()))-        for k in range(len(ok)):-            if not ok[k]:-                continue-            m = lab_a == types_a[k]-            if not m.any():-                continue-            tgt_m = lab_e == types_e[best[k]]-            if not tgt_m.any():+N_SWAPS = int(os.environ.get("VEC_PERM_SWAPS", "1000000"))  # 0 = mechanism off (copy_last)+K_NEIGHBORS = int(os.environ.get("VEC_PERM_K", "15"))  # scorer's neighbourhood definition+N_PCA = int(os.environ.get("VEC_PERM_PCA", "32"))+++def permute_assignment(Y: np.ndarray, A_indptr, A_indices, n: int, iters: int, rng) -> np.ndarray:+    """Greedy 2-opt over cell->coordinate-slot assignment.++    perm[j] = cell index placed at coordinate slot j. Minimises+    sum_edges ||Y[perm[j]] - Y[perm[k]]||^2 on the fixed coordinate kNN graph.+    """+    perm = np.arange(n)+    Yv = Y[perm].copy()+    accepted = 0+    done = 0+    while done < iters:+        chunk = min(65536, iters - done)+        pairs = rng.integers(0, n, size=(chunk, 2))+        done += chunk+        for p, q in pairs:+            p = int(p)+            q = int(q)+            if p == q:                 continue-            nn = NearestNeighbors(n_neighbors=1).fit(X_e[tgt_m][:, : len(shared)])-            _, ind = nn.kneighbors(d_sub[m])-            cell_diff = np.zeros((m.sum(), X_a.shape[1]))-            cell_diff[:, gidx] = X_e[tgt_m][ind[:, 0]] - d_sub[m]-            type_diff = np.zeros((m.sum(), X_a.shape[1]))-            type_diff[:, gidx] = diff_t[k, gidx]-            shift[m] = BETA * type_diff + (1.0 - BETA) * cell_diff-        return shift-    except Exception as exc:  # never crash on the optional external path-        print(f"[diag] external path failed: {exc}", file=sys.stderr)-        return None+            yp = Yv[p]+            yq = Yv[q]+            Np = A_indices[A_indptr[p] : A_indptr[p + 1]]+            Nq = A_indices[A_indptr[q] : A_indptr[q + 1]]+            Yp = Yv[Np]+            Yq = Yv[Nq]+            dp = yp - Yp+            dq = yq - Yq+            old = float((dp * dp).sum()) + float((dq * dq).sum())+            ep = yq - Yp+            eq = yp - Yq+            new = float((ep * ep).sum()) + float((eq * eq).sum())+            if new < old:+                perm[p], perm[q] = perm[q], perm[p]+                Yv[p] = yq+                Yv[q] = yp+                accepted += 1+    print(f"[diag] 2-opt: {accepted}/{iters} swaps accepted", file=sys.stderr)+    return perm   def main() -> None:@@ -187,8 +89,6 @@ def main() -> None:      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)-    prev, last, dt_ratio = extrap_step(manifest)-    tt = target_time(manifest)     stage = read_stage(args.data, anchor_entry(manifest), genes)     n = int(np.clip(stage.n, manifest["min_cells"], manifest["max_cells"]))     rng = np.random.default_rng(args.seed)@@ -200,58 +100,34 @@ def main() -> None:     X = stage.X[rows].toarray().astype(np.float32)     coords = stage.coords[rows] -    if ALPHA > 0.0 or ALPHA_VEL > 0.0:-        lab = stage.labels[rows]-        types, pb_a = _pb(X.astype(np.float64), lab)-        shift = None-        src = "none"-        if ALPHA > 0.0:-            shift = _direction_external(-                args.data, manifest, genes, X.astype(np.float64), lab, pb_a, float(last["time"]), tt-            )-            if shift is not None:-                shift *= ALPHA-                src = "external"-        if shift is None and prev is not None and ALPHA_VEL > 0.0:-            src = "velocity"-            pstage = read_stage(args.data, prev, genes)-            Xp = pstage.X.toarray().astype(np.float64)-            _, pb_p = _pb(Xp, pstage.labels)-            tmap_p = {t: i for i, t in enumerate(_pb(Xp, pstage.labels)[0])}-            glob = pb_a.mean(axis=0) - Xp.mean(axis=0)-            v = np.tile(glob, (len(types), 1))-            for k, t in enumerate(types):-                if t in tmap_p:-                    v[k] = pb_a[k] - pb_p[tmap_p[t]]-            scale = ALPHA_VEL * (dt_ratio if (TIME_SCALE and dt_ratio) else 1.0)-            per_type = {t: scale * v[k] for k, t in enumerate(types)}-            shift = np.zeros_like(X, dtype=np.float64)-            for t in types:-                m = lab == t-                if m.any():-                    shift[m] = per_type[t]-            del Xp-        if shift is None:-            src = "copy_last(no usable forward direction)"-        if shift is not None:-            if CC_ZERO:-                cc = _cell_cycle_genes(args.data)-                idx = [i for i, g in enumerate(genes) if g in cc]-                if idx:-                    shift[:, idx] = 0.0-                print(f"[diag] cc-zero: {len(idx)} genes zeroed", file=sys.stderr)-            sd = X.astype(np.float64).std(axis=0)-            capv = CAP * np.maximum(sd, 1e-3)-            shift = np.clip(shift, -capv, capv)-            X = np.clip(X.astype(np.float64) + shift, 0.0, None).astype(np.float32)-            norms = np.linalg.norm(shift, axis=1)-            print(f"[diag] src={src} shift norm mean/p50/p95: {norms.mean():.3f} "-                  f"{np.percentile(norms,50):.3f} {np.percentile(norms,95):.3f}", file=sys.stderr)-            gmag = np.abs(shift).mean(axis=0)-            top = np.argsort(-gmag)[:20]-            print("[diag] top shifted genes: " + ", ".join(f"{genes[i]}({gmag[i]:.2f})" for i in top), file=sys.stderr)-        else:-            print(f"[diag] src={src}: no shift applied", file=sys.stderr)+    if N_SWAPS > 0 and len(X) > 1:+        t0 = time.time()+        from scipy.sparse import csr_matrix+        from sklearn.decomposition import PCA+        from sklearn.neighbors import NearestNeighbors++        nc = len(X)+        Y = PCA(n_components=min(N_PCA, X.shape[1], nc - 1), random_state=0).fit_transform(+            X.astype(np.float64)+        ).astype(np.float32)+        k = min(K_NEIGHBORS, nc)+        nn = NearestNeighbors(n_neighbors=k).fit(coords)+        _, ind = nn.kneighbors(coords)+        S = csr_matrix(+            (np.ones(nc * k, np.float32), (np.repeat(np.arange(nc), k), ind.ravel())),+            shape=(nc, nc),+        )+        A = ((S + S.T) > 0).astype(np.float32).tocsr()+        perm_rng = np.random.default_rng(args.seed + 1000003)+        perm = permute_assignment(Y, A.indptr, A.indices, nc, N_SWAPS, perm_rng)+        inv = np.empty(nc, dtype=np.int64)+        inv[perm] = np.arange(nc)+        coords = coords[inv]  # cell i moves to slot inv[i]; point set unchanged+        moved = float((perm != np.arange(nc)).mean())+        print(+            f"[diag] permutation done: moved={moved:.3f} cells, {time.time()-t0:.1f}s",+            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

完成。总结：

**做了什么**：按 PLAN 在节点3（copy_last）上实现 T2HX-06 表达kNN引导坐标置换——表达矩阵与坐标点集逐位不变，坐标15-NN图上贪心2-opt最小化表达Dirichlet能量（PCA32），1M提案、17.3%细胞换位；`VEC_PERM_SWAPS=0` 对照输出逐位等于 copy_last ✓；seed 0 复跑逐位确定 ✓；纯CPU，29s。

**查分结果**（A半，6次）：父基线 50.00（nbh raw 0.11445=地板）；最终版 ≈50.02（nbh raw 0.11416，skill 0.5006，其余项在地板）；随机配对 ~37.6（验证 nbh 真测配对）；层级区域匹配能量反而比 identity 差。节点5的 shape_scale +10 未被复现——同一点集下形状指标只随索引抽样运气波动，非真实信号。

**下一步最值得试**：(1) 用表达kNN引导的提案分布替代随机对，把能量再降5–10%看 nbh 是否继续下降；(2) 该机制真实收益上限 ~+0.05分，外推榜要突破需换杠杆——nbh 地板=真实配对已近局部最优，DE/cell_state 组需要不依赖速度的先验方向（prior 资源），或接受地板。

调研员

```json
{
  "name": "copy_last基座上的表达kNN引导坐标置换（复现节点5机制）",
  "motivation": "父节点3输出逐位等于copy_last（50.00），位移机制因代理无外部前向靶且速度方向无信号而完全未生效。全树唯一超越地板的是节点5（52.74）：表达kNN引导的坐标置换使shape_scale从50→59.99、local_spatial从50→50.98。该机制不依赖时间方向信号，在代理上可验证，是外推榜唯一已证实有效的改进路径。",
  "approach": "在父节点3的copy_last输出基础上加坐标置换层：1) 读取末输入阶段的表达矩阵X和坐标C（均不动）；2) 目标函数：对每个细胞，计算其当前坐标处15近邻的平均表达与自身表达的距离（近似neighborhood_mmd）；3) 贪心2-opt：随机初始化置换π，迭代尝试交换两细胞的坐标分配，若目标函数下降则接受；4) 迭代次数：先小样本（200细胞、50次swap）验证目标下降，再全量（≤max_cells、200次swap）；5) 输出：表达矩阵不变、坐标点集不变，仅细胞-坐标配对改变。关键参数：n_swaps初始200（搜索范围100-500），k_neighbors=15（与评分器一致）。单输入阶段退路：坐标置换不依赖多时间点，单输入即可执行。vec-score快速筛选：先跑200细胞子集看neighborhood_mmd原始值是否下降，再全量提交。",
  "expected_groups": ["local_spatial", "shape_scale"],
  "risks": "1) 2-opt在30分钟内可能迭代不够充分（节点5耗时未知），Engineer应先小样本确认目标下降再全量；2) 贪心可能陷入局部最优，可试2-3次不同随机初始化取最优；3) 若max_cells很大（>5000），O(n²)近邻计算可能超时，应预计算KD-tree。尽早发现：第一次小样本查分若neighborhood_mmd未下降，检查目标函数实现是否与评分器一致（15近邻、含自身）。",
  "family_id": "T2HX-06",
  "mechanism": "贪心2-opt坐标置换：保持表达矩阵和坐标点集逐位不变，仅重新分配哪个细胞占据哪个坐标位置，使高表达相似性的细胞在空间上成为近邻，从而降低neighborhood_mmd并通过结构门提升形状组得分。",
  "vs_constant_shift": "不改变任何细胞的表达值（无加法/乘法位移），不改变坐标点集（无全局变换）；仅做细胞与坐标的组合重分配（排列），是离散组合优化而非连续位移。",
  "mechanism_evidence": "1) 置换前后neighborhood_mmd原始值对比（预期从0.1126显著下降）；2) shape_scale组因结构门（邻域skill/0.5）提升；3) 表达矩阵和坐标点集array_equal验证不变；4) 实际发生交换的细胞比例（预期>30%的细胞换了位置）。节点5已证实该机制：shape_scale 50→59.99。",
  "mechanism_off_control": "设环境变量VEC_PERM_SWAPS=0跳过置换步骤，输出逐位等于copy_last（表达和坐标均不变），预期分数回到50.00。对照验证：array_equal(输出X, 输入X) and array_equal(输出坐标, 输入坐标)。",
  "sources": []
}
```