diff --git a/Data/mole/README.md b/Data/mole/README.md
index 36d8097..a490033 100644
--- a/Data/mole/README.md
+++ b/Data/mole/README.md
@@ -160,4 +160,225 @@ BroadSpectrumResult(
 
 - **apscore_* 类字段**：基于预测概率的连续评分，反映抗菌活性强度
 - **ginhib_* 类字段**：基于二值化预测的离散计数，反映抑制范围
-- **broad_spectrum**：基于 ginhib_total 的布尔判定，快速标识广谱特性
\ No newline at end of file
+- **broad_spectrum**：基于 ginhib_total 的布尔判定，快速标识广谱特性
+
+---
+
+## 菌株级别预测详情
+
+### 使用 `--include-strain-predictions` 参数
+
+启用此参数后，输出将包含每个分子对所有 40 个菌株的详细预测数据。
+
+**命令示例**：
+```bash
+python utils/mole_predictor.py input.csv output.csv --include-strain-predictions
+```
+
+### 菌株级别输出格式
+
+每个分子会产生 40 行数据，每行对应一个菌株的预测结果：
+
+| 列名 | 数据类型 | 说明 | 示例值 |
+|------|----------|------|--------|
+| `pred_id` | 字符串 | 预测ID，格式为 `chem_id:strain_name` | `mol1:Akkermansia muciniphila (NT5021)` |
+| `chem_id` | 字符串 | 化合物标识符 | `mol1` |
+| `strain_name` | 字符串 | 菌株名称 | `Akkermansia muciniphila (NT5021)` |
+| `antimicrobial_predictive_probability` | 浮点数 | XGBoost 预测的抗菌概率（0-1） | `0.000102` |
+| `no_growth_probability` | 浮点数 | 不抑制的概率（= 1 - antimicrobial_predictive_probability） | `0.999898` |
+| `growth_inhibition` | 整数 (0/1) | 二值化抑制结果（1=抑制，0=不抑制） | `0` |
+| `gram_stain` | 字符串 | 革兰染色类型 | `negative` 或 `positive` |
+
+### 完整的 40 种测试菌株列表
+
+#### 革兰阴性菌（23 种）
+
+| 序号 | 菌株名称 | NT编号 |
+|------|----------|--------|
+| 1 | Akkermansia muciniphila | NT5021 |
+| 2 | Bacteroides caccae | NT5050 |
+| 3 | Bacteroides fragilis (ET) | NT5033 |
+| 4 | Bacteroides fragilis (NT) | NT5003 |
+| 5 | Bacteroides ovatus | NT5054 |
+| 6 | Bacteroides thetaiotaomicron | NT5004 |
+| 7 | Bacteroides uniformis | NT5002 |
+| 8 | Bacteroides vulgatus | NT5001 |
+| 9 | Bacteroides xylanisolvens | NT5064 |
+| 10 | Escherichia coli (3 isolates + Nissle) | NT5028, NT5024, NT5030, NT5011 |
+| 11 | Klebsiella pneumoniae | NT5049 |
+| 12 | Parabacteroides distasonis | NT5023 |
+| 13 | Phocaeicola vulgatus | NT5001 |
+| 14 | 其他肠道革兰阴性菌 | ... |
+
+#### 革兰阳性菌（17 种）
+
+| 序号 | 菌株名称 | NT编号 |
+|------|----------|--------|
+| 1 | Bifidobacterium adolescentis | NT5022 |
+| 2 | Bifidobacterium longum | NT5067 |
+| 3 | Bifidobacterium pseudocatenulatum | NT5058 |
+| 4 | Clostridium bolteae | NT5005 |
+| 5 | Clostridium innocuum | NT5026 |
+| 6 | Clostridium ramosum | NT5027 |
+| 7 | Clostridium scindens | NT5029 |
+| 8 | Clostridium symbiosum | NT5006 |
+| 9 | Enterococcus faecalis | NT5034 |
+| 10 | Enterococcus faecium | NT5043 |
+| 11 | Lactobacillus plantarum | NT5035 |
+| 12 | Lactobacillus reuteri | NT5032 |
+| 13 | Lactobacillus rhamnosus | NT5037 |
+| 14 | Streptococcus parasanguinis | NT5041 |
+| 15 | Streptococcus salivarius | NT5040 |
+| 16 | 其他肠道革兰阳性菌 | ... |
+
+**注**: 完整列表可从 `maier_screening_results.tsv.gz` 和 `strain_info_SF2.xlsx` 文件中查看。
+
+### 数据访问方式
+
+#### 1. CSV 文件读取
+
+```python
+import pandas as pd
+
+# 读取包含菌株预测的结果
+df = pd.read_csv('output_with_strains.csv')
+
+# 查看某个分子的所有菌株预测
+mol1_strains = df[df['chem_id'] == 'mol1']
+print(f"分子 mol1 的预测:")
+print(mol1_strains[['strain_name', 'antimicrobial_predictive_probability', 'growth_inhibition']])
+
+# 筛选被抑制的菌株
+inhibited = mol1_strains[mol1_strains['growth_inhibition'] == 1]
+print(f"\n被抑制的菌株数: {len(inhibited)}")
+print(inhibited[['strain_name', 'antimicrobial_predictive_probability']])
+```
+
+#### 2. Python API 访问
+
+```python
+from models import ParallelBroadSpectrumPredictor, MoleculeInput
+
+predictor = ParallelBroadSpectrumPredictor()
+molecule = MoleculeInput(smiles="CCO", chem_id="ethanol")
+
+# 包含菌株级别预测
+result = predictor.predict_batch([molecule], include_strain_predictions=True)[0]
+
+# 访问菌株预测 DataFrame
+strain_df = result.strain_predictions
+print(f"菌株预测数据形状: {strain_df.shape}")  # (40, 7)
+print(f"列名: {strain_df.columns.tolist()}")
+
+# 提取预测概率向量（用于强化学习）
+probabilities = strain_df['antimicrobial_predictive_probability'].values
+print(f"预测概率向量形状: {probabilities.shape}")  # (40,)
+
+# 筛选特定革兰染色类型
+gram_negative = strain_df[strain_df['gram_stain'] == 'negative']
+print(f"革兰阴性菌预测数: {len(gram_negative)}")
+
+# 转换为类型安全的列表（可选）
+strain_list = result.to_strain_predictions_list()
+for strain_pred in strain_list[:3]:
+    print(f"{strain_pred.strain_name}: {strain_pred.antimicrobial_predictive_probability:.6f}")
+```
+
+### 强化学习场景应用
+
+#### 状态表示
+
+```python
+# 将 40 个菌株的预测概率作为状态向量
+state = result.strain_predictions['antimicrobial_predictive_probability'].values
+# state.shape = (40,)
+
+# 或者包含更多特征
+state_features = result.strain_predictions[[
+    'antimicrobial_predictive_probability',
+    'growth_inhibition'
+]].values
+# state_features.shape = (40, 2)
+```
+
+#### 奖励函数设计
+
+```python
+def calculate_reward(strain_predictions_df):
+    """
+    基于菌株级别预测计算奖励
+    
+    Args:
+        strain_predictions_df: 包含 40 个菌株预测的 DataFrame
+        
+    Returns:
+        reward: 标量奖励值
+    """
+    # 方案1: 基于抑制菌株数
+    reward = strain_predictions_df['growth_inhibition'].sum() / 40.0
+    
+    # 方案2: 基于预测概率
+    reward = strain_predictions_df['antimicrobial_predictive_probability'].mean()
+    
+    # 方案3: 加权奖励（考虑革兰染色）
+    gram_negative_score = strain_predictions_df[
+        strain_predictions_df['gram_stain'] == 'negative'
+    ]['antimicrobial_predictive_probability'].mean()
+    
+    gram_positive_score = strain_predictions_df[
+        strain_predictions_df['gram_stain'] == 'positive'
+    ]['antimicrobial_predictive_probability'].mean()
+    
+    reward = 0.6 * gram_negative_score + 0.4 * gram_positive_score
+    
+    return reward
+```
+
+### 数据可视化
+
+```python
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+# 读取菌株预测数据
+strain_df = result.strain_predictions
+
+# 按预测概率排序
+strain_df_sorted = strain_df.sort_values('antimicrobial_predictive_probability', ascending=False)
+
+# 绘制柱状图
+plt.figure(figsize=(15, 6))
+plt.bar(range(len(strain_df_sorted)), 
+        strain_df_sorted['antimicrobial_predictive_probability'],
+        color=['red' if x == 1 else 'blue' for x in strain_df_sorted['growth_inhibition']])
+plt.xlabel('菌株索引')
+plt.ylabel('抗菌预测概率')
+plt.title('分子对 40 种菌株的抗菌活性预测')
+plt.xticks(rotation=90)
+plt.tight_layout()
+plt.show()
+
+# 按革兰染色分组可视化
+fig, axes = plt.subplots(1, 2, figsize=(14, 5))
+
+for idx, gram_type in enumerate(['negative', 'positive']):
+    data = strain_df[strain_df['gram_stain'] == gram_type]
+    axes[idx].barh(data['strain_name'], data['antimicrobial_predictive_probability'])
+    axes[idx].set_xlabel('预测概率')
+    axes[idx].set_title(f'革兰{gram_type}菌')
+    axes[idx].tick_params(axis='y', labelsize=8)
+
+plt.tight_layout()
+plt.show()
+```
+
+---
+
+## 性能和存储建议
+
+- **聚合结果**: 每个分子 1 行，适合快速筛选
+- **菌株级别预测**: 每个分子 40 行，适合详细分析和强化学习
+- **存储空间**: 包含菌株预测的文件约为仅聚合结果的 40 倍大小
+- **推荐做法**: 
+  - 初筛时使用聚合结果
+  - 对候选分子使用菌株级别预测进行深入分析
\ No newline at end of file
diff --git a/README.md b/README.md
index 937adee..c8edcb0 100755
--- a/README.md
+++ b/README.md
@@ -153,9 +153,12 @@ conda install -c conda-forge rdkit
 **基本用法：**
 
 ```bash
-# 预测 CSV 文件
+# 预测 CSV 文件（仅聚合结果）
 python utils/mole_predictor.py input.csv
 
+# 包含 40 种菌株的详细预测数据
+python utils/mole_predictor.py input.csv --include-strain-predictions
+
 # 指定输出路径
 python utils/mole_predictor.py input.csv output.csv
 
@@ -171,6 +174,12 @@ python utils/mole_predictor.py input.csv --device cuda:0
 python utils/mole_predictor.py input.csv \
   --batch-size 200 \
   --n-workers 8
+
+# 完整示例：包含菌株预测 + GPU 加速
+python utils/mole_predictor.py input.csv output.csv \
+  --include-strain-predictions \
+  --device cuda:0 \
+  --batch-size 200
 ```
 
 **查看所有选项：**
@@ -196,7 +205,7 @@ python utils/mole_predictor.py Data/fragment/GDB11-27M.csv
 ```python
 from utils.mole_predictor import predict_csv_file
 
-# 基本使用
+# 基本使用（仅聚合结果）
 df_result = predict_csv_file(
     input_path="Data/fragment/Frags-Enamine-18M.csv",
     output_path="results/predictions.csv",
@@ -205,9 +214,24 @@ df_result = predict_csv_file(
     device="auto"
 )
 
+# 包含 40 种菌株的详细预测数据
+df_result_with_strains = predict_csv_file(
+    input_path="Data/fragment/Frags-Enamine-18M.csv",
+    output_path="results/predictions_with_strains.csv",
+    smiles_column="smiles",
+    batch_size=100,
+    device="auto",
+    include_strain_predictions=True  # 启用菌株级别预测
+)
+
 # 查看结果
 print(f"总分子数: {len(df_result)}")
 print(f"广谱分子数: {df_result['broad_spectrum'].sum()}")
+
+# 如果包含菌株预测，数据行数会增加（每个分子 40 行）
+if 'strain_name' in df_result_with_strains.columns:
+    print(f"包含菌株预测的总行数: {len(df_result_with_strains)}")
+    print(f"菌株数: {df_result_with_strains['strain_name'].nunique()}")
 ```
 
 **批量预测多个文件：**
@@ -247,7 +271,7 @@ config = PredictionConfig(
 # 创建预测器
 predictor = ParallelBroadSpectrumPredictor(config)
 
-# 预测单个分子
+# 预测单个分子（仅聚合结果）
 molecule = MoleculeInput(smiles="CCO", chem_id="ethanol")
 result = predictor.predict_single(molecule)
 
@@ -256,19 +280,41 @@ print(f"广谱抗菌: {result.broad_spectrum}")
 print(f"抗菌得分: {result.apscore_total:.3f}")
 print(f"抑制菌株数: {result.ginhib_total}")
 
-# 批量预测
+# 批量预测（包含 40 种菌株的详细预测）
 smiles_list = ["CCO", "c1ccccc1", "CC(=O)O"]
 chem_ids = ["ethanol", "benzene", "acetic_acid"]
 
-results = predictor.predict_from_smiles(smiles_list, chem_ids)
+results = predictor.predict_batch(
+    [MoleculeInput(smiles=s, chem_id=c) for s, c in zip(smiles_list, chem_ids)],
+    include_strain_predictions=True  # 启用菌株级别预测
+)
 
 for r in results:
-    print(f"{r.chem_id}: broad_spectrum={r.broad_spectrum}, "
-          f"apscore={r.apscore_total:.3f}")
+    print(f"\n{r.chem_id}:")
+    print(f"  广谱抗菌: {r.broad_spectrum}")
+    print(f"  抗菌得分: {r.apscore_total:.3f}")
+    print(f"  抑制菌株数: {r.ginhib_total}")
+    
+    # 访问菌株级别预测数据（DataFrame 格式）
+    if r.strain_predictions is not None:
+        print(f"  菌株预测数据形状: {r.strain_predictions.shape}")
+        print(f"  示例菌株预测:")
+        print(r.strain_predictions.head(3))
+        
+        # 强化学习场景：提取特定菌株的预测概率
+        strain_probs = r.strain_predictions['antimicrobial_predictive_probability'].values
+        print(f"  预测概率向量形状: {strain_probs.shape}")  # (40,)
+        
+        # 或转换为类型安全的列表
+        strain_list = r.to_strain_predictions_list()
+        print(f"  第一个菌株: {strain_list[0].strain_name}")
+        print(f"  预测概率: {strain_list[0].antimicrobial_predictive_probability:.6f}")
 ```
 
 ### 输出说明
 
+#### 1. 聚合结果（默认输出）
+
 预测结果会添加以下 7 个新列：
 
 | 列名 | 类型 | 说明 |
@@ -276,11 +322,85 @@ for r in results:
 | `apscore_total` | float | 总体抗菌潜力分数（对数尺度，值越大抗菌活性越强） |
 | `apscore_gnegative` | float | 革兰阴性菌抗菌潜力分数 |
 | `apscore_gpositive` | float | 革兰阳性菌抗菌潜力分数 |
-| `ginhib_total` | int | 被抑制的菌株总数 |
+| `ginhib_total` | int | 被抑制的菌株总数（0-40） |
 | `ginhib_gnegative` | int | 被抑制的革兰阴性菌株数 |
 | `ginhib_gpositive` | int | 被抑制的革兰阳性菌株数 |
 | `broad_spectrum` | int | 是否为广谱抗菌（1=是，0=否） |
 
+**输出示例**（每个分子一行）：
+
+```csv
+smiles,chem_id,apscore_total,apscore_gnegative,apscore_gpositive,ginhib_total,ginhib_gnegative,ginhib_gpositive,broad_spectrum
+CCO,mol1,-9.93,-10.17,-9.74,0,0,0,0
+```
+
+#### 2. 菌株级别预测（使用 `--include-strain-predictions` 时）
+
+启用菌株级别预测后，输出会包含以下额外列（每个分子 40 行）：
+
+| 列名 | 类型 | 说明 |
+|------|------|------|
+| `pred_id` | str | 预测ID，格式为 `chem_id:strain_name` |
+| `strain_name` | str | 菌株名称（40 种菌株之一） |
+| `antimicrobial_predictive_probability` | float | XGBoost 预测的抗菌概率（0-1） |
+| `no_growth_probability` | float | 预测不抑制的概率（1 - antimicrobial_predictive_probability） |
+| `growth_inhibition` | int | 二值化抑制结果（0=不抑制，1=抑制） |
+| `gram_stain` | str | 革兰染色类型（negative 或 positive） |
+
+**输出示例**（每个分子 40 行，对应 40 个菌株）：
+
+```csv
+smiles,chem_id,apscore_total,...,pred_id,strain_name,antimicrobial_predictive_probability,no_growth_probability,growth_inhibition,gram_stain
+CCO,mol1,-9.93,...,mol1:Akkermansia muciniphila (NT5021),Akkermansia muciniphila (NT5021),0.000102,0.999898,0,negative
+CCO,mol1,-9.93,...,mol1:Bacteroides caccae (NT5050),Bacteroides caccae (NT5050),0.000155,0.999845,0,negative
+...（共 40 行，对应 40 个菌株）
+```
+
+**数据使用场景**：
+
+1. **强化学习状态表示**：
+   ```python
+   # 提取预测概率作为状态向量
+   state_vector = result.strain_predictions['antimicrobial_predictive_probability'].values
+   # 形状: (40,) - 可直接用于 RL 环境
+   ```
+
+2. **筛选特定菌株**：
+   ```python
+   # 筛选革兰阴性菌
+   gram_negative = result.strain_predictions[
+       result.strain_predictions['gram_stain'] == 'negative'
+   ]
+   ```
+
+3. **可视化分析**：
+   ```python
+   import matplotlib.pyplot as plt
+   df = result.strain_predictions
+   df.plot(x='strain_name', y='antimicrobial_predictive_probability', kind='bar')
+   ```
+
+#### 40 种测试菌株列表
+
+预测涵盖以下 40 种人类肠道菌株：
+
+**革兰阴性菌（23 种）**：
+- Akkermansia muciniphila (NT5021)
+- Bacteroides 属: caccae, fragilis (ET/NT), ovatus, thetaiotaomicron, uniformis, vulgatus, xylanisolvens (8 种)
+- Escherichia coli 各亚型 (4 种)
+- Klebsiella pneumoniae (NT5049)
+- 其他肠道革兰阴性菌
+
+**革兰阳性菌（17 种）**：
+- Bifidobacterium 属 (3 种)
+- Clostridium 属 (5 种)
+- Enterococcus 属 (2 种)
+- Lactobacillus 属 (3 种)
+- Streptococcus 属 (2 种)
+- 其他肠道革兰阳性菌
+
+完整菌株列表详见 `Data/mole/README.md`。
+
 #### 广谱抗菌判断标准
 
 默认情况下，如果一个分子能抑制 **10 个或更多菌株** (`ginhib_total >= 10`)，则被认为是广谱抗菌分子。
@@ -291,6 +411,12 @@ for r in results:
 
 - 输入: `Data/fragment/Frags-Enamine-18M.csv`
 - 输出: `Data/fragment/Frags-Enamine-18M_predicted.csv`
+- 输出（含菌株）: `Data/fragment/Frags-Enamine-18M_predicted.csv`（每个分子 40 行）
+
+#### 数据量说明
+
+- **仅聚合结果**：输出行数 = 输入分子数
+- **包含菌株预测**：输出行数 = 输入分子数 × 40
 
 ---
 
diff --git a/models/broad_spectrum_predictor.py b/models/broad_spectrum_predictor.py
index fa86043..111be71 100644
--- a/models/broad_spectrum_predictor.py
+++ b/models/broad_spectrum_predictor.py
@@ -65,9 +65,21 @@ class MoleculeInput:
     chem_id: Optional[str] = None
 
 
+@dataclass
+class StrainPrediction:
+    """单个菌株的预测结果"""
+    pred_id: str  # 格式: "chem_id:strain_name"
+    chem_id: str
+    strain_name: str
+    antimicrobial_predictive_probability: float  # 预测概率
+    no_growth_probability: float  # 不生长概率（1 - antimicrobial_predictive_probability）
+    growth_inhibition: int  # 二值化结果 (0/1)
+    gram_stain: Optional[str] = None  # 革兰染色类型
+
+
 @dataclass
 class BroadSpectrumResult:
-    """广谱抗菌预测结果"""
+    """广谱抗菌预测结果（聚合结果）"""
     chem_id: str
     apscore_total: float
     apscore_gnegative: float
@@ -76,9 +88,10 @@ class BroadSpectrumResult:
     ginhib_gnegative: int
     ginhib_gpositive: int
     broad_spectrum: int
+    strain_predictions: Optional[pd.DataFrame] = None  # 菌株级别预测（40行）
     
     def to_dict(self) -> Dict[str, Union[str, float, int]]:
-        """转换为字典格式"""
+        """转换为字典格式（仅聚合字段）"""
         return {
             'chem_id': self.chem_id,
             'apscore_total': self.apscore_total,
@@ -89,6 +102,31 @@ class BroadSpectrumResult:
             'ginhib_gpositive': self.ginhib_gpositive,
             'broad_spectrum': self.broad_spectrum
         }
+    
+    def to_strain_predictions_list(self) -> List['StrainPrediction']:
+        """
+        将 DataFrame 转换为 StrainPrediction 列表（用于类型安全场景）
+        
+        Returns:
+            StrainPrediction 对象列表
+        """
+        if self.strain_predictions is None or self.strain_predictions.empty:
+            return []
+        
+        strain_list = []
+        for _, row in self.strain_predictions.iterrows():
+            strain_pred = StrainPrediction(
+                pred_id=row['pred_id'],
+                chem_id=row['chem_id'],
+                strain_name=row['strain_name'],
+                antimicrobial_predictive_probability=row['antimicrobial_predictive_probability'],
+                no_growth_probability=row['no_growth_probability'],
+                growth_inhibition=row['growth_inhibition'],
+                gram_stain=row.get('gram_stain', None)
+            )
+            strain_list.append(strain_pred)
+        
+        return strain_list
 
 
 class BroadSpectrumPredictor:
@@ -259,6 +297,45 @@ class BroadSpectrumPredictor:
         
         return df_label
     
+    def _prepare_strain_level_predictions(self, score_df: pd.DataFrame) -> pd.DataFrame:
+        """
+        准备菌株级别的预测数据
+        
+        Args:
+            score_df: 原始预测分数DataFrame，包含 pred_id, 0, 1, growth_inhibition 列
+            
+        Returns:
+            格式化的菌株级别预测DataFrame
+        """
+        # 创建副本
+        strain_df = score_df.copy()
+        
+        # 分离化合物ID和菌株名
+        strain_df["chem_id"] = strain_df["pred_id"].str.split(":", expand=True)[0]
+        strain_df["strain_name"] = strain_df["pred_id"].str.split(":", expand=True)[1]
+        
+        # 添加革兰染色信息
+        strain_df = self._gram_stain(strain_df)
+        
+        # 重命名列为用户友好的名称
+        strain_df = strain_df.rename(columns={
+            "1": "antimicrobial_predictive_probability",
+            "0": "no_growth_probability"
+        })
+        
+        # 选择并排序输出列
+        output_columns = [
+            "pred_id",
+            "chem_id",
+            "strain_name",
+            "antimicrobial_predictive_probability",
+            "no_growth_probability",
+            "growth_inhibition",
+            "gram_stain"
+        ]
+        
+        return strain_df[output_columns]
+    
     def _antimicrobial_potential(self, score_df: pd.DataFrame) -> pd.DataFrame:
         """
         计算抗菌潜力分数
@@ -371,12 +448,14 @@ class ParallelBroadSpectrumPredictor(BroadSpectrumPredictor):
         results = self.predict_batch([molecule])
         return results[0]
     
-    def predict_batch(self, molecules: List[MoleculeInput]) -> List[BroadSpectrumResult]:
+    def predict_batch(self, molecules: List[MoleculeInput], 
+                     include_strain_predictions: bool = False) -> List[BroadSpectrumResult]:
         """
         批量预测分子的广谱抗菌活性
         
         Args:
             molecules: 分子输入列表
+            include_strain_predictions: 是否在结果中包含菌株级别预测数据
             
         Returns:
             广谱抗菌预测结果列表
@@ -417,10 +496,16 @@ class ParallelBroadSpectrumPredictor(BroadSpectrumPredictor):
         # 合并结果
         print("Merging prediction results...")
         all_pred_df = pd.concat([results[i] for i in sorted(results.keys())])
+        all_pred_df = all_pred_df.reset_index()
+        
+        # 准备菌株级别数据（如果需要）
+        strain_level_data = None
+        if include_strain_predictions:
+            print("Preparing strain-level predictions...")
+            strain_level_data = self._prepare_strain_level_predictions(all_pred_df)
         
         # 计算抗菌潜力
         print("Calculating antimicrobial potential scores...")
-        all_pred_df = all_pred_df.reset_index()
         agg_df = self._antimicrobial_potential(all_pred_df)
         
         # 判断广谱抗菌
@@ -431,6 +516,13 @@ class ParallelBroadSpectrumPredictor(BroadSpectrumPredictor):
         # 转换为结果对象
         results_list = []
         for _, row in agg_df.iterrows():
+            # 获取该分子的菌株级别预测
+            mol_strain_preds = None
+            if strain_level_data is not None:
+                mol_strain_preds = strain_level_data[
+                    strain_level_data['chem_id'] == row.name
+                ].reset_index(drop=True)
+            
             result = BroadSpectrumResult(
                 chem_id=row.name,
                 apscore_total=row["apscore_total"],
@@ -439,7 +531,8 @@ class ParallelBroadSpectrumPredictor(BroadSpectrumPredictor):
                 ginhib_total=int(row["ginhib_total"]),
                 ginhib_gnegative=int(row["ginhib_gnegative"]),
                 ginhib_gpositive=int(row["ginhib_gpositive"]),
-                broad_spectrum=int(row["broad_spectrum"])
+                broad_spectrum=int(row["broad_spectrum"]),
+                strain_predictions=mol_strain_preds
             )
             results_list.append(result)
         
diff --git a/test/mole_predict_singal_mole.py b/test/mole_predict_singal_mole.py
new file mode 100644
index 0000000..01bbea6
--- /dev/null
+++ b/test/mole_predict_singal_mole.py
@@ -0,0 +1,208 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+"""
+MolE 抗菌活性预测 Python API 示例
+
+演示两种预测模式：
+1. 聚合结果模式（默认）
+2. 菌株级别预测模式
+"""
+
+import sys
+from pathlib import Path
+
+# 添加项目根目录到 Python 路径（使用 pathlib）
+project_root = Path(__file__).resolve().parent.parent
+sys.path.insert(0, str(project_root))
+
+from models import (
+    ParallelBroadSpectrumPredictor,
+    PredictionConfig,
+    MoleculeInput
+)
+
+
+def print_separator(title):
+    """打印分隔线"""
+    print("\n" + "=" * 70)
+    print(f"  {title}")
+    print("=" * 70 + "\n")
+
+
+def demo_aggregated_mode():
+    """演示聚合结果模式（默认）"""
+    print_separator("模式 1: 聚合结果模式（默认）")
+    
+    # 创建配置
+    config = PredictionConfig(
+        batch_size=10,
+        device="auto"  # 自动检测 CUDA
+    )
+    
+    # 创建预测器
+    predictor = ParallelBroadSpectrumPredictor(config)
+    
+    # 准备测试分子
+    test_molecules = [
+        MoleculeInput(smiles="CCO", chem_id="ethanol"),
+        MoleculeInput(smiles="c1ccccc1", chem_id="benzene"),
+        MoleculeInput(smiles="CC(=O)O", chem_id="acetic_acid"),
+    ]
+    
+    print(f"测试分子数: {len(test_molecules)}")
+    print(f"SMILES 示例: {test_molecules[0].smiles}")
+    
+    # 执行预测（不包含菌株级别预测）
+    print("\n开始预测（聚合模式）...")
+    results = predictor.predict_batch(test_molecules, include_strain_predictions=False)
+    
+    # 打印结果
+    print(f"\n预测完成！共 {len(results)} 个结果\n")
+    
+    for result in results:
+        print(f"化合物ID: {result.chem_id}")
+        print(f"  - 广谱抗菌: {'是' if result.broad_spectrum else '否'}")
+        print(f"  - 总体抗菌得分: {result.apscore_total:.4f}")
+        print(f"  - 革兰阴性菌得分: {result.apscore_gnegative:.4f}")
+        print(f"  - 革兰阳性菌得分: {result.apscore_gpositive:.4f}")
+        print(f"  - 抑制菌株总数: {result.ginhib_total} / 40")
+        print(f"  - 抑制革兰阴性菌数: {result.ginhib_gnegative}")
+        print(f"  - 抑制革兰阳性菌数: {result.ginhib_gpositive}")
+        print(f"  - strain_predictions: {result.strain_predictions}")  # 应该是 None
+        print()
+    
+    # 返回结果供后续使用
+    return results
+
+
+def demo_strain_level_mode():
+    """演示菌株级别预测模式"""
+    print_separator("模式 2: 菌株级别预测模式")
+    
+    # 创建预测器
+    predictor = ParallelBroadSpectrumPredictor()
+    
+    # 使用一个有趣的抗菌分子进行测试（氟喹诺酮类似物）
+    test_molecule = MoleculeInput(
+        smiles="FC1=CC=C(CN2C[C@@H]3C[C@H]2CN3C2CC2)N=C1",
+        chem_id="test_antibacterial"
+    )
+    
+    print(f"测试分子: {test_molecule.chem_id}")
+    print(f"SMILES: {test_molecule.smiles}")
+    
+    # 执行预测（包含菌株级别预测）
+    print("\n开始预测（菌株级别模式）...")
+    results = predictor.predict_batch([test_molecule], include_strain_predictions=True)
+    result = results[0]
+    
+    # 1. 打印聚合结果
+    print(f"\n聚合结果:")
+    print(f"  - 化合物ID: {result.chem_id}")
+    print(f"  - 广谱抗菌: {'是' if result.broad_spectrum else '否'}")
+    print(f"  - 总体抗菌得分: {result.apscore_total:.4f}")
+    print(f"  - 抑制菌株总数: {result.ginhib_total} / 40")
+    
+    # 2. 打印菌株级别预测数据结构
+    print(f"\n菌株级别预测数据:")
+    if result.strain_predictions is not None:
+        strain_df = result.strain_predictions
+        print(f"  - 数据类型: {type(strain_df)}")
+        print(f"  - 数据形状: {strain_df.shape} (行, 列)")
+        print(f"  - 列名: {list(strain_df.columns)}")
+        print(f"  - 内存占用: {strain_df.memory_usage(deep=True).sum() / 1024:.2f} KB")
+        
+        # 3. 展示前 5 个菌株的预测
+        print(f"\n前 5 个菌株的预测:")
+        print(strain_df.head(5).to_string(index=False))
+        
+        # 4. 统计信息
+        print(f"\n统计信息:")
+        print(f"  - 预测概率范围: [{strain_df['antimicrobial_predictive_probability'].min():.6f}, "
+              f"{strain_df['antimicrobial_predictive_probability'].max():.6f}]")
+        print(f"  - 预测概率平均值: {strain_df['antimicrobial_predictive_probability'].mean():.6f}")
+        print(f"  - 被抑制菌株数: {strain_df['growth_inhibition'].sum()}")
+        print(f"  - 革兰阴性菌数: {len(strain_df[strain_df['gram_stain'] == 'negative'])}")
+        print(f"  - 革兰阳性菌数: {len(strain_df[strain_df['gram_stain'] == 'positive'])}")
+        
+        # 5. 展示被抑制的菌株（如果有）
+        inhibited = strain_df[strain_df['growth_inhibition'] == 1]
+        if len(inhibited) > 0:
+            print(f"\n被抑制的菌株 ({len(inhibited)} 个):")
+            print(inhibited[['strain_name', 'antimicrobial_predictive_probability', 'gram_stain']].to_string(index=False))
+        else:
+            print(f"\n该分子未预测抑制任何菌株")
+        
+        # 6. 强化学习应用示例
+        print(f"\n强化学习应用示例:")
+        
+        # 提取预测概率作为状态向量
+        state_vector = strain_df['antimicrobial_predictive_probability'].values
+        print(f"  - 状态向量形状: {state_vector.shape}")
+        print(f"  - 状态向量类型: {type(state_vector)}")
+        print(f"  - 前 10 个值: {state_vector[:10]}")
+        
+        # 提取多维特征
+        state_features = strain_df[[
+            'antimicrobial_predictive_probability',
+            'growth_inhibition'
+        ]].values
+        print(f"  - 多维特征形状: {state_features.shape}")
+        
+        # 按革兰染色分组
+        gram_negative_probs = strain_df[
+            strain_df['gram_stain'] == 'negative'
+        ]['antimicrobial_predictive_probability'].values
+        print(f"  - 革兰阴性菌概率向量形状: {gram_negative_probs.shape}")
+        
+        # 7. 转换为类型安全的列表（可选）
+        print(f"\n转换为 StrainPrediction 列表:")
+        strain_list = result.to_strain_predictions_list()
+        print(f"  - 列表长度: {len(strain_list)}")
+        print(f"  - 元素类型: {type(strain_list[0])}")
+        print(f"  - 第一个元素:")
+        first_strain = strain_list[0]
+        print(f"    * pred_id: {first_strain.pred_id}")
+        print(f"    * strain_name: {first_strain.strain_name}")
+        print(f"    * antimicrobial_predictive_probability: {first_strain.antimicrobial_predictive_probability:.6f}")
+        print(f"    * growth_inhibition: {first_strain.growth_inhibition}")
+        print(f"    * gram_stain: {first_strain.gram_stain}")
+    else:
+        print("  警告: strain_predictions 为 None（未启用菌株级别预测）")
+    
+    return result
+
+
+def main():
+    """主函数"""
+    print("\n" + "🧪" * 35)
+    print("  MolE 抗菌活性预测 Python API 示例")
+    print("🧪" * 35)
+    
+    # 演示模式 1: 聚合结果
+    aggregated_results = demo_aggregated_mode()
+    
+    # 演示模式 2: 菌株级别预测
+    strain_level_result = demo_strain_level_mode()
+    
+    # 总结
+    print_separator("总结")
+    print("✅ 模式 1 (聚合结果): 适合快速筛选大量分子")
+    print("   - 每个分子返回 1 个 BroadSpectrumResult 对象")
+    print("   - 包含 8 个聚合指标")
+    print("   - strain_predictions = None")
+    print()
+    print("✅ 模式 2 (菌株级别): 适合详细分析和强化学习")
+    print("   - 每个分子返回 1 个 BroadSpectrumResult 对象")
+    print("   - 包含 8 个聚合指标 + 40 行菌株预测数据")
+    print("   - strain_predictions = DataFrame (40 rows × 7 columns)")
+    print("   - 可直接提取为 numpy array 用于 RL")
+    print()
+    print("🎯 推荐使用场景:")
+    print("   - 初筛: 模式 1")
+    print("   - 详细分析/RL 训练: 模式 2")
+    print()
+
+
+if __name__ == "__main__":
+    main()
diff --git a/utils/mole_predictor.py b/utils/mole_predictor.py
index a83cc48..7f02ed6 100644
--- a/utils/mole_predictor.py
+++ b/utils/mole_predictor.py
@@ -49,7 +49,8 @@ def predict_csv_file(
     batch_size: int = 100,
     n_workers: Optional[int] = None,
     device: str = "auto",
-    add_suffix: bool = True
+    add_suffix: bool = True,
+    include_strain_predictions: bool = False
 ) -> pd.DataFrame:
     """
     预测 CSV 文件中的分子抗菌活性
@@ -63,6 +64,7 @@ def predict_csv_file(
         n_workers: 工作进程数
         device: 计算设备 ("auto", "cpu", "cuda:0" 等)
         add_suffix: 是否在输出文件名后添加预测后缀
+        include_strain_predictions: 是否在输出中包含40种菌株的预测详情
     
     Returns:
         包含预测结果的 DataFrame
@@ -118,7 +120,7 @@ def predict_csv_file(
     
     # 执行预测
     print("开始预测...")
-    results = predictor.predict_batch(molecules)
+    results = predictor.predict_batch(molecules, include_strain_predictions=include_strain_predictions)
     
     # 转换结果为 DataFrame
     results_dicts = [r.to_dict() for r in results]
@@ -136,6 +138,36 @@ def predict_csv_file(
     )
     df_output = df_output.drop(columns=['_merge_id'])
     
+    # 如果包含菌株级别预测，将其添加到输出中
+    if include_strain_predictions:
+        print("合并菌株级别预测数据...")
+        # 收集所有菌株级别预测
+        all_strain_predictions = []
+        for result in results:
+            if result.strain_predictions is not None and not result.strain_predictions.empty:
+                all_strain_predictions.append(result.strain_predictions)
+        
+        if all_strain_predictions:
+            # 合并所有菌株预测
+            df_strain_predictions = pd.concat(all_strain_predictions, ignore_index=True)
+            
+            # 将聚合结果和菌株预测合并
+            # 为了在同一个 CSV 中展示，我们使用重复行的方式
+            # 每个分子的聚合结果会重复40次（每个菌株一次）
+            df_output_expanded = df_output.merge(
+                df_strain_predictions,
+                left_on=df_output.columns[df_output.columns.get_loc(id_col_actual)],
+                right_on='chem_id',
+                how='left',
+                suffixes=('', '_strain')
+            )
+            
+            # 移除重复的 chem_id 列
+            if 'chem_id_strain' in df_output_expanded.columns:
+                df_output_expanded = df_output_expanded.drop(columns=['chem_id_strain'])
+            
+            df_output = df_output_expanded
+    
     # 生成输出路径
     if output_path is None:
         if add_suffix:
@@ -164,7 +196,8 @@ def predict_multiple_files(
     batch_size: int = 100,
     n_workers: Optional[int] = None,
     device: str = "auto",
-    add_suffix: bool = True
+    add_suffix: bool = True,
+    include_strain_predictions: bool = False
 ) -> List[pd.DataFrame]:
     """
     批量预测多个 CSV 文件
@@ -178,6 +211,7 @@ def predict_multiple_files(
         n_workers: 工作进程数
         device: 计算设备
         add_suffix: 是否在输出文件名后添加预测后缀
+        include_strain_predictions: 是否在输出中包含40种菌株的预测详情
     
     Returns:
         包含预测结果的 DataFrame 列表
@@ -210,7 +244,8 @@ def predict_multiple_files(
                 batch_size=batch_size,
                 n_workers=n_workers,
                 device=device,
-                add_suffix=add_suffix
+                add_suffix=add_suffix,
+                include_strain_predictions=include_strain_predictions
             )
             results.append(df_result)
         except Exception as e:
@@ -240,7 +275,9 @@ def predict_multiple_files(
               help='计算设备 (默认: auto)')
 @click.option('--add-suffix/--no-add-suffix', default=True,
               help='是否在输出文件名后添加 "_predicted" 后缀 (默认: 添加)')
-def cli(input_path, output_path, smiles_column, id_column, batch_size, n_workers, device, add_suffix):
+@click.option('--include-strain-predictions', is_flag=True, default=False,
+              help='在输出中包含40种菌株的详细预测数据（每个分子将产生40行数据，对应每个菌株的预测概率和抑制情况）')
+def cli(input_path, output_path, smiles_column, id_column, batch_size, n_workers, device, add_suffix, include_strain_predictions):
     """
     使用 MolE 模型预测小分子 SMILES 的抗菌活性
     
@@ -248,12 +285,21 @@ def cli(input_path, output_path, smiles_column, id_column, batch_size, n_workers
     
     OUTPUT_PATH: 输出 CSV 文件路径 (可选，默认在原文件目录生成)
     
+    默认输出包含聚合的抗菌活性指标（广谱抗菌评分、抑制菌株数等）。
+    使用 --include-strain-predictions 可以额外包含每个菌株的详细预测数据。
+    
     示例:
     
+        # 基本用法（仅输出聚合结果）
         python mole_predictor.py input.csv output.csv
         
-        python mole_predictor.py input.csv -s SMILES -i ID
+        # 包含40种菌株的详细预测数据
+        python mole_predictor.py input.csv output.csv --include-strain-predictions
         
+        # 指定列名和设备
+        python mole_predictor.py input.csv -s SMILES -i ID --device cuda:0
+        
+        # 自定义批处理大小
         python mole_predictor.py input.csv --device cuda:0 --batch-size 200
     """
     
@@ -266,7 +312,8 @@ def cli(input_path, output_path, smiles_column, id_column, batch_size, n_workers
             batch_size=batch_size,
             n_workers=n_workers,
             device=device,
-            add_suffix=add_suffix
+            add_suffix=add_suffix,
+            include_strain_predictions=include_strain_predictions
         )
     except Exception as e:
         click.echo(f"错误: {e}", err=True)