{
 "task_slug": "spatial-domain-smoothing-null-control",
 "question": "在 DLPFC 12 张 Visium 切片上,一个零学习的 kNN 邻居平滑基线能拿到多少 ARI?以及一个只有几何、没有真实表达信息的空模型能白拿多少 ARI?",
 "falsifiable_prediction": "P1: 最佳 k 下平滑基线在 12 张切片上的平均 ARI >= 0.40,且相对 k=0 提升 >= +0.10(配对 Wilcoxon p<0.05);若平均 ARI < 0.40 或提升 < 0.10 或 p >= 0.05,则 P1 被推翻。P2: 几何空模型(坐标保留、表达替换为空间平滑高斯噪声)的 ARI <= 0.15;若 > 0.25 则 P2 被推翻,意味着该数据集上 ARI 存在显著的几何免费分数。两条均按实际结果照报。",
 "dataset": "LIBD Human DLPFC 10x Visium,12 张切片(151507-151510, 151669-151672, 151673-151676)。表达矩阵: https://spatial-dlpfc.s3.us-east-2.amazonaws.com/h5/{sample}_filtered_feature_bc_matrix.h5 (每张约 12.9MB,已实测 HTTP 206 可分段下载,需 h5py 读取)。点坐标: https://raw.githubusercontent.com/LieberInstitute/HumanPilot/master/10X/{sample}/tissue_positions_list.txt。人工分层真值: https://raw.githubusercontent.com/LieberInstitute/HumanPilot/master/10X/barcode_level_layer_map.tsv (已实测下载成功,47329 barcode,三列: barcode/sample/layer)。簇数按真值: 151507-151510 与 151673-151676 用 7,151669-151672 用 5。仅保留在 layer map 中有标注的点。预处理: 基因表达点数>=10 过滤 -> 库大小归一到 1e4 -> log1p -> 按方差取 top-2000 高变基因。",
 "arms": [
  {
   "name": "baseline-nonspatial",
   "is_baseline": true,
   "what": "k=0,完全不使用空间坐标: log-normalize -> top2000 HVG -> PCA(50) -> 聚类(真值簇数)。与实验臂共用完全相同的预处理/降维/聚类/种子,唯一差别是不做邻居平滑"
  },
  {
   "name": "proposed-smooth-knn",
   "is_baseline": false,
   "what": "在 log-normalize 之后按像素坐标构 kNN 图,做 X' = 0.5*X + 0.5*mean(X over kNN),k 取 6/12/18/24,其余步骤与 baseline 完全一致。零训练参数"
  },
  {
   "name": "null-shuffle-expr",
   "is_baseline": false,
   "what": "空模型①: 随机置换表达矩阵行与空间坐标的对应关系(坐标不动),再走最佳 k 的平滑流水线。预期 ARI 塌到随机水平,用于验证平滑本身不会凭空造出结构"
  },
  {
   "name": "null-geometry-only",
   "is_baseline": false,
   "what": "空模型②: 坐标不动,把表达矩阵整体替换为同形状的独立高斯噪声,再走最佳 k 的平滑流水线。直接测量'任何空间连续划分'能白拿的 ARI 地板值,回答 P2"
  }
 ],
 "metrics": [
  {
   "name": "ari",
   "higher_is_better": true,
   "what": "预测域标签与人工分层标注的 Adjusted Rand Index(sklearn.metrics.adjusted_rand_score),簇数固定为该切片真值"
  },
  {
   "name": "nmi",
   "higher_is_better": true,
   "what": "同上配对的归一化互信息(normalized_mutual_info_score)"
  },
  {
   "name": "spatial_coherence",
   "higher_is_better": true,
   "what": "无标签指标: 预测标签与其 6 个空间最近邻的众数标签一致的点所占比例"
  },
  {
   "name": "ari_seed_std",
   "higher_is_better": false,
   "what": "同切片同参数下 3 个种子的 ARI 标准差,用于判断两位小数级别的方法比较是否有意义"
  }
 ],
 "sweep": {
  "k_neighbors": [
   "0",
   "6",
   "12",
   "18",
   "24"
  ],
  "clusterer": [
   "gmm_full",
   "kmeans"
  ]
 },
 "seeds": [
  0,
  1,
  2
 ],
 "budget_minutes": 45,
 "cpu_feasible": true,
 "out_of_scope": [
  "不重跑 STAGATE / GraphST / SpaGCN / BayesSpace 本身(需 GPU 与各自依赖),只引用其已发表数值并显式标注这不是受控比较",
  "只覆盖 10x Visium 一个平台、人前额叶皮层一种组织,不外推到 Slide-seqV2 / Stereo-seq / seqFISH",
  "不使用 H&E 组织学图像,因此与 stLearn / SpaGCN+ / DeepST 等多模态方法不可比",
  "不做基因调控网络推断,不做轨迹/伪时序推断(CPU 上只能做玩具规模,结论无用)",
  "不做簇数自动选择,沿用真值 K(与被比较方法通行做法一致,但已知是可被质疑的点)",
  "不扫平滑权重 alpha(固定 0.5),若时间有余再在 151673 单张切片上做 alpha in {0.25,0.5,0.75} 的稳健性检查"
 ]
}