Excipient Recommendation (ExciWise)

简介

基于蛋白序列与处方工艺的生物药辅料推荐。给定氨基酸序列以及剂型、给药途径、pH、浓度、包装等工艺信息，先判断制剂中应出现哪些功能类别，再在各类内部给出具体辅料，最终输出一套主推荐 + 少量备选套，便于作为处方开发的起点。

参数说明

Train

Training Data

训练数据来源，可选以下一种：

• default：仅使用内置默认数据。
• add_default：合并用户数据与内置默认数据。
• user：仅使用用户数据。

序列查库补全仅作用于用户数据。内置默认数据直接使用数据表中已有的氨基酸序列。

Input File

用于模型训练的 CSV 文件。每行表示一个处方，支持以下字段：

• amino_acid_sequence：氨基酸序列。使用标准单字母氨基酸代码，多条链之间使用 | 分隔。
• dosage_form：剂型。支持 liquid（液剂）和 lyophilized（冻干），也支持溶液、注射液、冻干和冻干粉等中英文别名。推理时未填写该字段，则使用 Model Status File 中记录的训练集众数。
• route：给药途径，支持填写多个值，例如 INTRAVENOUS、SUBCUTANEOUS、INTRAMUSCULAR，也支持静脉、皮下和肌内等中文名称。推理时未填写该字段，则使用训练集众数。
• ph：标示或目标配方 pH，取值范围为 0-14。推理时未填写该字段，则使用训练集众数。
• concentration_mg_ml：蛋白质浓度，单位为 mg/mL。推理时未填写该字段，则使用训练集众数。
• drug_name：药物名称。缺少氨基酸序列时，可用于查库补全序列。
• generic_name：药物通用名。缺少氨基酸序列时，可用于查库补全序列。
• container_type：包装或容器类型，支持填写多个值，例如西林瓶、预充注射器、笔芯、安瓿，以及 vial、syringe、cartridge 和 ampule。推理时未填写该字段，则使用训练集众数。
• preservative_free：是否按无防腐剂产品设计。1 表示是，0 表示否，留空表示未说明。推理时未填写该字段，则使用训练集众数。
• protect_from_light：是否需要避光。1 表示是，0 表示否，留空表示未说明。推理时未填写该字段，则使用训练集众数。

配方级训练数据示例：

product_name,drug_name,dosage_form,route,ph,concentration_mg_ml,excipients,amino_acid_sequence
Product-A,mAb-001,liquid,SUBCUTANEOUS,6.0,100,"histidine; polysorbate 80; sucrose; sodium phosphate, dibasic",EVQLVESGGGLVQPGGSLRLSCAAS...|DIQMTQSPSSLSASVGDRVTITC...

Failures

实验室记录的蛋白质与辅料不相容数据，可选参数，用于约束处方推荐。默认关闭，即不使用失败案例。

不使用失败案例时，模块不会读取失败案例表或使用失败风险模型。候选处方按照规则组装得分排序，最多保留 5 套，其中排名第 1 的处方为主推荐。

使用失败案例时，模块首先根据失败案例排除不相容的单个辅料或完整辅料组合，再按照失败风险 P_fail 排序，数值越低越好。该设置会写入 Model Status File，并在推理阶段自动沿用。

使用失败案例表时，必须同时提供蛋白质标识和失败辅料信息。蛋白质标识可以使用氨基酸序列或药物名称。

必需字段包括：

• failed_excipients：实验确认不相容的辅料。支持英文或中文标准名称；多个辅料的分隔规则与训练文件中的 excipients 相同。
• amino_acid_sequence：对应蛋白质的氨基酸序列，格式与训练文件相同。
• drug_name：药物名称，可在缺少序列时用于匹配蛋白质。
• generic_name：药物通用名。
• product_name：商品名称。

amino_acid_sequence、drug_name、generic_name 和 product_name 至少填写一项。

可选字段包括：

• ban_mode：失败约束范围。member 表示分别约束列出的每种辅料，set 表示约束完整辅料组合。未填写时，单个辅料默认使用 member，多个辅料默认使用 set。
• failure_type：失败类型。支持 aggregation（聚集）、oxidation（氧化）、particles（颗粒或可见异物）、precipitation（沉淀）、viscosity（黏度）和 other（其他），也支持对应的中文名称。
• dosage_form：失败记录对应的剂型，格式与训练文件相同。
• route：失败记录对应的给药途径，格式与训练文件相同。
• ph：失败记录对应的 pH，取值范围为 0-14。
• concentration_mg_ml：失败记录对应的蛋白质浓度，单位为 mg/mL。
• container_type：失败记录对应的包装或容器类型。

普通训练文件不需要包含失败案例表的专用字段。

Number of CV Folds

模型训练前执行交叉验证的折数，默认值为 5。

CV Split Mode

交叉验证的数据划分方式，默认值为 cluster。

• cluster：按照序列同源簇划分。模块首先对氨基酸序列进行全局比对，将序列一致性不低于 0.7 的处方划入同一簇。交叉验证时以完整簇为单位分配数据，同一簇不会同时出现在训练集和测试集中。
• random：按照处方随机划分，不考虑序列相似性。

Skip Sequence Lookup

是否跳过序列查库，默认值为 False。

设置为 False 时，模块会根据药物名称，为用户数据中缺少氨基酸序列的记录查库补全序列。

Hyperparameters

是否使用内置选定的先验参数 seq_lam 和九类类内模型，默认值为 True。

• True：沿用内置的 seq_lam 和九类类内模型。
• False：在本次交叉验证中重新选择 seq_lam 和各类别的类内模型，并根据选定结果完成模型评测和全量训练。

训练完成后，模块会输出 Model Status File，供 Inference 使用。

Inference

Model Status File

训练任务生成的模型状态文件 model_state.json。用于加载对应模型、填补缺失的工艺条件，并沿用训练阶段的失败案例设置。

Input File

用于推理的 CSV 文件，格式与训练处方文件相同。使用 product_name 区分不同待测处方，excipients 字段可以留空。

每条记录必须至少提供一种蛋白质标识：

• amino_acid_sequence：标准单字母氨基酸序列，多条链之间使用 | 分隔。
• drug_name：药物名称，用于查库补全序列。
• generic_name：药物通用名，用于查库补全序列。
• product_name：商品名称，用于查库补全序列。

如果未提供氨基酸序列，且药物名称无法匹配对应序列，则该条记录无法进行预测。

Number of Candidates

最终保留的候选处方数量，默认值为 5。

结果说明

训练

训练报告 train_report.pdf：本次交叉验证的类别指标、类别集合指标与类内排序指标、终局集合指标。

文件 model_state.json，供预测加载对应模型。

交叉验证四表：

各列含义（越高越好，除非另注）：

category_metrics.csv（每类是否需要该类辅料的二分类）：

category_set_metrics.csv（预测类别集合 vs 真值类别集合）：

member_metrics.csv（有真值辅料且该类被打开后的类内排序）：

member_set_metrics.csv（终局辅料名集合 vs 真值处方辅料集合）：

仅训练启用 Failures 时，表中还会有（与上表「评估套 vs 真值」不同）：

预测

预测报告 predict_report.pdf：封面+ 每个产品一页（工艺信息、预测类别、候选处方套；被填补的工艺字段标注「训练默认」）+ 字段说明。
另写出 prescription_smiles.csv：amino_acid_sequence + prescription_1…prescription_N（N = Number of Candidates）。每个处方格为辅料 SMILES（目录无结构则写中文名），多项分号分隔。

参考文献

• Vidal-Henriquez, E., Holder, T. M., Lee, N. F., Pompe, C. & Teese, M. G. Machine learning driven acceleration of biopharmaceutical formulation development using Excipient Prediction Software (ExPreSo). Comput. Struct. Biotechnol. J. (2025). DOI:10.1016/j.csbj.2025.10.026
• Elnaggar, A. et al. ProtTrans: toward understanding the language of life through self-supervised learning. IEEE Trans. Pattern Anal. Mach. Intell. 44, 7112–7127 (2022). DOI:10.1109/TPAMI.2021.3095381