打造智能抗體推薦系統：規則引擎 × VLM 視覺分析的混合評分架構

問題背景

Western Blot（WB）是蛋白質表達研究最基礎的實驗技術之一，配合免疫組織化學染色（IHC）、免疫螢光（IF）及流式細胞術（FC）等應用，抗體試劑的正確選擇是決定實驗成敗的關鍵。

然而，現行的抗體選購流程存在嚴重痛點：

• 資訊碎片化：各廠商驗證資料、文獻引用、客戶評價分散於不同平台，難以橫向比較
• 選擇耗時：單一目標蛋白可能有數十乃至數百種候選抗體，手動篩選往往耗費數小時
• 缺乏客觀標準：傳統選擇依賴個人經驗，主觀性高、可重現性低
• 批次實驗困境：蛋白質體學研究需同時篩選數十種蛋白的抗體，人工作業幾乎不可行
• 驗證圖片品質難以評估：WB 條帶的特異性、背景雜訊、分子量符合程度需要專業判讀

核心洞察

以 Western Blot 為例，研究人員需確認抗體在目標物種的對應組織或細胞系中，於正確分子量位置產生清晰且特異的條帶，同時無或極少非特異性訊號。這樣的判斷涉及多個維度的資訊整合——正是 AI 系統的強項所在。

---

系統架構總覽

整個系統採用模組化設計，最核心的差異化在於規則引擎 + AI 混合評分架構：

技術棧

層級	技術選型	說明
Web 前端	HTML5 + Tailwind CSS + Vanilla JS	響應式介面、互動式跳窗元件
Web 後端	Flask 2.3+ + CORS	RESTful API 設計
AI 框架	LangChain + VLM（LLaVA-Med / Qwen2-VL）	LLM 語意理解 + 視覺分析
ORM	SQLAlchemy 2.0+	資料庫抽象層
資料庫	SQLite（WAL mode）	零配置、支援並發讀取
爬蟲	BeautifulSoup4 + Requests	多執行緒平行爬取
外部 API	NCBI PubMed	文獻引用資訊

---

核心設計：三層混合評分架構

市面現有的廠商官網搜尋功能僅能依條件過濾，無排序評分。本系統的核心差異在於：跨廠商資料整合 × 規則 + AI 混合評分 × VLM 驗證圖片分析 × 批次處理能力，四者合一。

第一層：規則引擎（Rule-based）

依物種匹配、應用匹配、驗證數量等量化規則計算基礎分數，確保評分的可解釋性：

class FlexibleScoringEngine:
    """可配置的評分引擎——權重儲存在資料庫中，可動態調整"""

    def calculate_score(self, antibody, requirement):
        score = 0.0

        score += weights['base_score']          # 基礎分 10
        score += len(images) * 5                # 驗證圖片：每張 +5
        score += matched_apps * 15              # 應用匹配：每項 +15
        score += matched_species * 10           # 物種匹配：每項 +10
        score += 20 if host_match else 0        # 宿主匹配 +20
        score += 15 if monoclonal else 0        # 單克隆加分 +15
        score += dilution_bonus                 # 高稀釋倍率 +5~10

        return score

評分因子	權重	設計理由
應用匹配	15/項	最重要——應用不匹配的抗體毫無用處
宿主匹配	20	影響二抗選擇和實驗設計
單克隆加分	15	特異性高、批次穩定性好
物種匹配	10/項	基本門檻，篩選已處理大部分不匹配
驗證圖片	5/張	有實驗數據支持的產品更可靠
稀釋倍率	5–10	高倍率 = 省試劑、降成本

第二層：VLM 視覺分析

這是本系統最大的技術突破——引入 LLaVA-Med / Qwen2-VL 等醫學圖像專用視覺語言模型，直接「看懂」WB 驗證圖片：

傳統工具無法評估驗證圖片品質，而 VLM 能自動判斷：

• 條帶是否出現在正確的分子量位置
• 條帶清晰度是否達標
• 是否存在非特異性雜訊
• 不同物種、組織樣本的表現差異

第三層：LLM 文字分析

透過 LangChain 整合大型語言模型，分析抗體產品描述、驗證說明文字，進行語意層面的品質評估。三層評分最終以加權方式整合，輸出推薦排序。

---

四步驟智能篩選流程

系統提供完整的端到端（End-to-End）推薦流程：

Step 1：目標蛋白識別

支援蛋白名稱、基因 ID（Gene ID）、UniProt 編號及別名等多種輸入，自動解析並確認目標蛋白身份。內建常用蛋白快捷選單（P53、GAPDH、β-actin、BRCA1 等）。

Step 2：樣本來源與應用篩選

提供 Human、Mouse、Rat 等 10 種物種選項，以及 WB、IHC、IF、FC、ELISA 等實驗應用的多選篩選，支援交叉條件組合。

Step 3：驗證數據評估

自動整合三類驗證資訊：

• 原廠驗證：廠商提供的 WB / IHC / IF 驗證圖片，支援跳窗放大檢視
• 文獻引用：整合 NCBI PubMed 資料，顯示引用文獻及連結
• 客戶審查：Customer Review 記錄，來自實際使用者的實驗回饋

VLM 在此階段介入，對驗證圖片進行自動品質評估。

Step 4：智能推薦輸出

依綜合評分排序，呈現最佳候選抗體。每個推薦結果附帶詳細推薦理由——說明評分依據（例如：「此抗體在 Human WB 有 12 篇文獻引用，3 張原廠驗證圖片，條帶清晰度高」），而非黑盒子輸出。

---

推薦流程：資料庫優先策略

推薦引擎採用資料庫優先、爬蟲補充的策略，兼顧回應速度與資料新鮮度：

1. 首次查詢：觸發爬蟲，結果存入 SQLite
2. 重複查詢：直接從資料庫取資料，毫秒級回應
3. 24 小時 TTL：快取自動過期，確保資料不會太舊

---

背景任務與即時進度

Web 介面不能讓使用者等待 30 秒的爬蟲結果。解決方案：先回傳資料庫結果，爬蟲放到背景執行，前端即時顯示處理進度狀態。

背景任務系統支援：

• 即時進度顯示：前端 Processing Status 元件，使用者可追蹤處理狀態
• 任務狀態追蹤：pending → running → completed / failed
• 結果快取：完成的任務結果保留在記憶體中，24 小時過期
• 取消機制：使用者可以中途取消不需要的任務，釋放資源

---

批次處理：蛋白質體學的核心需求

蛋白質體學（Proteomics）研究需同時篩選數十種蛋白的抗體。批次處理介面支援一次輸入多個目標蛋白，系統平行處理並漸進式顯示結果——每完成一個蛋白的搜尋，前端立即呈現該蛋白的推薦結果，不需等所有蛋白都處理完畢。

{
  "proteins": ["P53", "GAPDH", "β-actin", "BRCA1", "UVRAG"],
  "species": ["Human", "Mouse"],
  "applications": ["WB", "IHC"],
  "max_results_per_protein": 5
}

---

結果呈現：透明化推薦

搜尋結果以統一格式的卡片呈現，每張卡片提供完整的決策資訊：

• 推薦排名與評分：綜合三層評分的最終分數
• 產品基本資訊：名稱、目錄編號、宿主、克隆類型
• 生物特性：支援的應用類型、物種反應性、稀釋倍率
• 驗證圖片輪播：WB / IHC / IF 驗證圖片，支援跳窗放大檢視
• 文獻引用：PubMed 文獻列表及 NCBI 連結（跳窗顯示）
• 客戶審查：Customer Review 記錄（跳窗顯示）
• 推薦理由：明確說明評分依據，非黑盒輸出

---

平行爬蟲設計

爬蟲是系統中最慢的環節。我們使用 ThreadPoolExecutor 實現多頁平行爬取：

class AntibodyDataCrawler:
    def search_antibodies_parallel(self, protein, max_pages=3):
        with ThreadPoolExecutor(max_workers=5) as executor:
            futures = {
                executor.submit(self._fetch_page, protein, page): page
                for page in range(1, max_pages + 1)
            }
            for future in as_completed(futures):
                products.extend(future.result())
        return products

關鍵設計決策：

• 每個執行緒獨立 Session：避免 cookie 和連線狀態衝突
• 最多 5 個 Worker：在效率與對目標網站的友善度之間取得平衡
• 逾時處理：單頁爬取超過 30 秒自動放棄，不影響其他頁面
• 產品詳細頁爬取：從列表頁深入單一產品頁，取得驗證圖片、稀釋倍率等詳細資訊

---

資料庫設計

SQLite 搭配 SQLAlchemy ORM，簡單但足夠應付 POC 規模：

-- 核心表：抗體產品
CREATE TABLE antibody_products (
    id INTEGER PRIMARY KEY,
    name TEXT NOT NULL,
    catalog_number TEXT,
    host TEXT,
    applications TEXT,           -- JSON array
    species_reactivity TEXT,     -- JSON array
    validation_images TEXT,      -- JSON array
    dilutions TEXT,              -- JSON object
    estimated_citations INTEGER,
    data_source_id INTEGER,
    updated_at TIMESTAMP,
    UNIQUE(catalog_number, data_source_id)
);

SQLite 的 WAL（Write-Ahead Logging）模式讓讀寫可以並行，配合 busy_timeout=30000、cache_size=10000，足以應對中等負載。

---

產品迭代規劃

版本	時程	重點
v1.x	短期	擴充支援的抗體廠商數量；新增 ELISA、ChIP、Co-IP 應用；優化 VLM 圖片分析精準度（目標 F1-Score ≥ 0.90）
v2.x	中期	使用者實驗記錄功能，根據歷史 WB 結果進行個人化推薦；支援條帶強度（Band Density）定量數據回饋
v3.x	長期	結合基因表現資料（RNA-seq）與蛋白質互作網路（PPI），提供上下游靶點的抗體套組推薦；整合 LIMS 實驗室管理系統

---

經驗與反思

規則 + AI 的平衡

純規則引擎可解釋但缺乏深度判斷力；純 AI 模型強大但黑盒。混合架構讓我們在透明性與智能性之間取得平衡——規則層確保基本邏輯正確，VLM 層提供人類難以規模化的圖片品質判斷。

VLM 在生物醫學的潛力

將 LLaVA-Med 等醫學圖像專用 VLM 引入抗體推薦，是本系統最大的技術突破。VLM 能直接「看懂」WB 驗證圖片，從根本上改變了抗體品質評估的方式——這個能力不僅適用於抗體推薦，未來可擴展到任何需要圖片品質判讀的生物醫學場景。

爬蟲的脆弱性

Web scraping 本質上依賴於目標網站的 HTML 結構。更穩健的做法是使用官方 API（如果有的話）或建立多資料源的 fallback 機制。系統架構已為多廠商整合預留擴充點。

推薦理由的重要性

研究人員不接受黑盒推薦。每個推薦結果都必須附帶清晰的評分依據，讓使用者能理解並信任系統的判斷。這不只是 UX 問題，而是科學研究對可重現性（Reproducibility）的基本要求。

---

產業應用潛力

領域	效益
學術研究	抗體選擇週期從數小時壓縮至數分鐘；VLM 圖片分析從人工 5 分鐘降至約 10 秒
蛋白質體學	批次查詢使大規模抗體篩選成為可能
生技製藥	加速靶點驗證，標準化選用流程提升研究重現性
抗體代理商	協助客戶快速定位適合產品

全球研究用抗體市場規模逾 30 億美元，潛在的商業模式包括 SaaS 訂閱、廠商合作、機構授權等方向。

---

小結

智能抗體推薦系統的核心突破在於將 VLM 視覺語言模型引入抗體推薦流程。系統不僅能評估數量性指標（文獻引用、驗證圖片張數），更能透過醫學圖像專用 VLM 直接分析 WB 驗證圖片的品質——判斷條帶位置、清晰度、非特異性雜訊。

這種規則引擎與 AI 模型的協同設計，帶來精準的推薦輸出，同時確保推薦理由的透明性與可解釋性。對於「領域知識 + AI + 資料整合」型的應用場景，這套混合評分架構是一個值得參考的設計模式。