结合Stat-Ease 360（≥22.0） 原生 Python 环境、药学 DOE 主流场景（制剂处方 / 工艺、合成工艺、药效优化），提供开箱即用脚本模板，分基础版、进阶机器学习版、对接大模型版，附带操作步骤、参数说明、药学场景用法和避坑要点，复制即可运行。

前置说明

1. 运行环境：SE360 22.0/23.0/24.0/25.x，普通 Design-Expert 无脚本功能，无法使用
2. 依赖：SE360 内置 Python 基础环境，pandas/numpy 自带；机器学习库scikit-learn 需手动安装（下文附安装方法）
3. 数据前提：先在软件内完成实验设计、录入全部实验数据，再运行脚本

一、前置：在 SE360 安装第三方 Python 库（仅首次操作）

1. 打开 SE360 → 顶部菜单 Scripts → Open Script Folder，打开脚本目录
2. 在此目录新建文本文件，改名 install_lib.py，粘贴下方代码并运行：

python

import subprocessimport sys# 安装机器学习常用库libs =["scikit-learn","numpy","pandas"]for lib in libs:    subprocess.check_call([sys.executable,"-m","pip","install", lib,"-i","https://pypi.tuna.tsinghua.edu.cn/simple"])print("依赖库安装完成！")

1. 点击运行按钮，等待提示安装完成，后续无需重复执行。

二、模板 1：基础模板 — 读取 DOE 数据 + 基础统计（入门必用）

功能

读取当前项目因子、响应值、实验序号，输出数据表格、描述性统计，适配所有药学 DOE（处方、工艺、色谱条件优化）。

使用步骤

1. SE360 中打开已录入数据的实验方案
2. Scripts
    → New Script，粘贴代码
3. 点击运行，结果在下方控制台输出

python

===== SE360 基础数据读取脚本 ==========# 导入内置库import numpy as npimport pandas as pd# 1. 读取当前数据集（SE360专属API）dataset = get_dataset()# 2. 提取因子、响应、实验信息factors = dataset.get_factors()# 自变量（处方比例、温度、时间等）responses = dataset.get_responses()# 因变量（包封率、溶出度、收率、粒径等）run_order = dataset.get_run_order()# 实验运行顺序# 3. 拼接为标准数据表df = pd.DataFrame(factors, columns=dataset.factor_names)for idx, res_name inenumerate(dataset.response_names):    df[res_name]= responses[:, idx]df["Run_Order"]= run_order# 4. 输出结果print("===== 完整实验数据表 =====")print(df)print("\n===== 响应值描述性统计 =====")print(df[dataset.response_names].describe())

药学场景示例

• 制剂：因子 = 磷脂用量 / 胆固醇比例 / 超声时间，响应 = 包封率 / 粒径 / PDI
• 药化合成：因子 = 温度 / 投料比 / 反应时间，响应 = 产物收率
• 运行后可快速核查数据异常、极值，辅助 ANOVA 结果解读

注意事项

• 若出现中文乱码：SE360 系统区域设置为中文即可
• 仅读取当前激活的实验表，多组实验需切换表单再运行

三、模板 2：进阶模板 — 随机森林机器学习（因子重要性分析，药学高频）

功能

基于随机森林模型分析各因子对响应的贡献权重，弥补传统 RSM 多项式回归的局限性；适合非线性强、噪声大的制剂、纳米载体、生物药效体系。

python

# ========== 随机森林-因子重要性分析脚本 ==========import numpy as npimport pandas as pdfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import r2_score# 1. 读取SE360数据集dataset = get_dataset()X = dataset.get_factors()# 自变量矩阵y = dataset.get_responses()# 多响应矩阵factor_names = dataset.factor_namesresponse_names = dataset.response_names# 2. 逐个响应建模、计算因子重要性for res_idx, res_name inenumerate(response_names):    y_single = y[:, res_idx]# 划分训练/测试集    X_train, X_test, y_train, y_test = train_test_split(X, y_single, test_size=0.2, random_state=42)# 初始化随机森林模型    rf = RandomForestRegressor(n_estimators=100, random_state=42)    rf.fit(X_train, y_train)# 模型预测与拟合优度    y_pred = rf.predict(X_test)    r2 = r2_score(y_test, y_pred)# 因子重要性（归一化百分比）    importances = rf.feature_importances_    import_pct =100* importances / importances.sum()# 排序输出    imp_df = pd.DataFrame({"Factor": factor_names,"Importance(%)": np.round(import_pct,2)}).sort_values("Importance(%)", ascending=False)# 打印结果print(f"========== 响应指标：{res_name} ==========")print(f"模型决定系数 R² = {np.round(r2,4)}")print("各因子影响权重排序：")print(imp_df)print("-"*50)

使用方法 & 药学应用

1. 适用场景：脂质体、微球、乳剂、缓控释制剂、合成工艺优化
2. 解读逻辑：
• 权重越高 → 该因子对实验结果影响越大（可指导后续工艺严控关键参数）
• R^2>0.8：模型拟合良好，结果可信
3. 对比传统 RSM：传统回归只能看线性 / 二次项显著性，该模型可分析复杂非线性交互作用

注意事项

• 样本量建议：实验组数 ≥15 组，样本过少会导致模型失真
• 随机种子random_state=42固定结果，保证每次运行数据一致
• 若有多个响应（如包封率 + 粒径），脚本会自动逐个分析

四、模板 3：高阶模板 — 模型预测 + 最优条件推荐（工艺 / 处方智能寻优）

功能

训练模型后，自定义目标区间，批量预测全因子组合的响应值，输出最优处方 / 工艺参数，替代人工遍历。

python

# ========== 模型预测 + 条件寻优脚本 ==========import numpy as npimport pandas as pdfrom sklearn.ensemble import RandomForestRegressor# 1. 读取数据dataset = get_dataset()X = dataset.get_factors()y = dataset.get_responses()factor_names = dataset.factor_namesresponse_names = dataset.response_names# 2. 训练全局模型model = RandomForestRegressor(n_estimators=100, random_state=42)model.fit(X, y)# ==== 自定义优化目标（重点修改这里）=========# 示例（脂质体）：响应1=包封率(≥85)，响应2=粒径(≤100)，响应3=PDI(≤0.2)target_rules ={    response_names[0]:{"min":85,"max":100},    response_names[1]:{"min":10,"max":100},    response_names[2]:{"min":0,"max":0.2}}# 生成待预测的因子网格（在原因子范围内均匀采样500组）n_sample =500# 读取每个因子的高低水平factor_ranges =[(dataset.factor_low[i], dataset.factor_high[i])for i inrange(len(factor_names))]# 随机采样rand_samples =[]for(low, high)in factor_ranges:    rand_samples.append(np.random.uniform(low, high, n_sample))X_sample = np.column_stack(rand_samples)# ==============================================# 3. 批量预测y_pred = model.predict(X_sample)pred_df = pd.DataFrame(X_sample, columns=factor_names)for idx, res_name inenumerate(response_names):    pred_df[res_name]= y_pred[:, idx]# 4. 筛选符合目标的最优组合filter_mask = np.ones(n_sample, dtype=bool)for res_name, rule in target_rules.items():    filter_mask = filter_mask &(pred_df[res_name]>= rule["min"])&(pred_df[res_name]<= rule["max"])best_df = pred_df[filter_mask].sort_values(response_names[0], ascending=False)# 5. 输出结果print("===== 符合目标的最优处方/工艺组合（Top10）=====")print(best_df.head(10))

修改说明（必看）

找到代码中 自定义优化目标 区域，根据你的实验修改：

1. 响应指标上下限：比如合成收率要求≥90、溶出度≥80
2. 采样数量n_sample：默认 500 组，电脑配置差可改为 200 组

药学使用场景

• 处方优化：限定包封率、粒径、稳定性区间，自动筛最优配比
• 工艺优化：限定反应温度、时间，追求最高产物收率
• 色谱条件优化：限定分离度、峰面积，筛选最优流动相比例

注意事项

• 预测结果为模型仿真值，必须通过实际实验验证，不可直接当作最终结论
• 因子范围严格沿用实验设计的高低水平，不要超范围外推（模型外推误差极大）

五、模板 4：联动外部大模型（SE360 数据 → AI 自动生成分析文案）

功能

将 DOE 统计结果、机器学习结果直接发送给大模型，自动生成论文讨论、实验结论、机理分析（需联网 + 大模型 API）。

推荐搭配：DeepSeek / 通义千问 / 豆包 API，适合直接产出学术文本。

python

====== SE360 + 大模型API 自动生成分析文案 ====import requests# 1. 读取基础数据摘要dataset = get_dataset()factor_names = dataset.factor_namesresponse_names = dataset.response_namesdata_desc =f"""实验设计信息：因子：{factor_names}响应指标：{response_names}实验组数：{dataset.n_runs}"""# 2. 大模型API配置（替换为你自己的API密钥&地址）API_KEY ="你的API密钥"API_URL ="大模型接口地址"# 3. 构造药学专业提问prompt =f"""你是药学领域科研专家，基于以下Design-Expert实验设计数据，撰写一段适用于SCI论文的结果与讨论：{data_desc}要求：分析各因子对响应指标的影响规律、工艺/处方合理性、潜在作用机制，语言严谨，符合药学期刊风格。"""# 4. 调用接口并输出结果headers ={"Authorization":f"Bearer {API_KEY}","Content-Type":"application/json"}post_data ={"model":"deepseek-chat","messages":[{"role":"user","content": prompt}]}res = requests.post(API_URL, json=post_data, headers=headers)result = res.json()["choices"][0]["message"]["content"]print("===== AI自动生成论文讨论内容 =====")print(result)

注意事项（重点）

1. 数据安全红线：涉及专利处方、涉密工艺、未公开配方，禁止使用云端 API，建议改用本地私有化大模型
2. API 配置：不同大模型接口格式略有差异，按需微调
3. 输出内容必须人工润色、核对专业术语，不能直接粘贴进论文

六、通用全局注意事项（所有脚本共用）

1. 版本限制
   仅 Stat-Ease 360 22.0及以上 可用，标准版 Design-Expert 无脚本功能。
2. 实验数据规范
   缺失值、异常值先在 SE360 内剔除 / 修正，再运行脚本，否则模型报错。
3. 学术合规
• 机器学习预测、AI 生成文案仅作辅助分析，核心实验结论以实测数据为准
• 论文中使用机器学习模型，需在方法部分写明模型类型、参数
4. 报错排查
• 库导入失败：重新执行「前置安装脚本」
• 读取数据为空：确认当前窗口是实验数据表，而非曲面图 / ANOVA 表
5. 高斯过程搭配建议
   若体系非线性极强，可先用 SE360 内置Gaussian Process建模，再用上述脚本做二次数据挖掘，精度翻倍。

七、药学博士最简工作流总结

1. 用 SE360 完成 Box-Behnken/CCD/ 混料设计，录入实验数据 → 做常规 ANOVA、响应面分析
2. 运行模板 2（随机森林）：分析关键影响因子
3. 运行模板 3（智能寻优）：批量筛选最优处方 / 工艺
4. 结合模板 4（大模型）：自动生成论文结果与讨论段落