diff --git a/README.md b/README.md
index 5fff602..937adee 100755
--- a/README.md
+++ b/README.md
@@ -1,34 +1,502 @@
-# SIME
+# SIME - Structure-Informed Macrolide Expansion
 
-HTML GUI for SIME and flask.
+SIME 是一个用于大环内酯类化合物结构扩展和抗菌活性预测的工具。
 
-## Setup
-For better results, create a conda environment and activate it like:
+## 目录
 
-```sh
-conda create -n SIME python
+- [原有功能](#原有功能)
+- [MolE 抗菌活性预测](#mole-抗菌活性预测)
+  - [快速开始](#快速开始)
+  - [安装依赖](#安装依赖)
+  - [使用方法](#使用方法)
+  - [输出说明](#输出说明)
+- [项目结构](#项目结构)
+- [常见问题](#常见问题)
+
+---
+
+## 原有功能
+
+SIME 提供大环内酯类化合物的结构设计和合成路径分析功能。
+
+---
+
+## MolE 抗菌活性预测
+
+本工具集成了 MolE（Molecular Embeddings）模型，可以预测小分子的广谱抗菌活性。
+
+### 快速开始
+
+#### 使用 uv（推荐）
+
+```bash
+# 1. 创建虚拟环境（Python 3.12）
+uv venv --python 3.12 --seed .venv
+
+# 2. 激活环境
+source .venv/bin/activate  # Linux/Mac
+# 或
+.venv\Scripts\activate  # Windows
+
+# 3. 使用 uv 安装依赖
+uv pip install -r requirements-mole.txt
+
+# 4. 验证安装
+python verify_setup.py
+
+# 5. 运行预测
+python utils/mole_predictor.py Data/fragment/Frags-Enamine-18M.csv
 ```
 
-then:
-```sh
-conda activate SIME
+#### 使用 pyproject.toml 配置（uv 推荐）
+
+项目提供了两个环境配置：
+
+1. **SIME 原始环境** - 用于大环内酯结构设计
+
+```bash
+# 使用 uv 创建默认环境
+uv sync
 ```
 
-Then install all needed dependencies from `requirements.txt` in the following way:
-```sh
-pip install -r requirements.txt
+2. **MolE 预测环境** - 用于抗菌活性预测
+
+```bash
+# 使用 uv 创建 MolE 环境
+uv sync --extra mole
 ```
 
-## How to Use
-Start Flask server :
-```sh
-python main.py
+#### 使用 pixi 配置（conda 用户推荐）
+
+如果你使用 conda 或需要更好的包管理，可以使用 pixi：
+
+```bash
+# 安装 pixi（如果还没有）
+curl -fsSL https://pixi.sh/install.sh | bash
+
+# 创建 SIME 原始环境
+pixi install
+
+# 创建 MolE 预测环境
+pixi install -e mole
+
+# 激活 MolE 环境
+pixi shell -e mole
+
+# 在 pixi 环境中运行预测
+pixi run -e mole predict Data/fragment/test_100.csv
 ```
 
-Then type the following line in your browser to load SIME software GUI.
+### 安装依赖
 
-[localhost:5000](http://localhost:5000)
+#### 方法 1: 使用 uv（推荐）
 
-Use the parameters as needed, and click **Submit** to generate your *in-silico* library of fully assembled macrolides.
+```bash
+# 创建虚拟环境
+uv venv --python 3.12 .venv
+source .venv/bin/activate
 
-The resulting info file and smile file(s) will be found in LIBRARIES folder with the time stamp within the file names. 
+# 安装依赖
+uv pip install -r requirements-mole.txt
+```
+
+#### 方法 2: 使用 pixi
+
+```bash
+# 创建虚拟环境
+pixi init
+
+# 基础环境
+pixi add python=3.12
+
+# nvidia cuda工具链
+pixi workspace channel add nvidia
+pixi add nvidia::cuda-toolkit=12.8
+
+# 科学计算 安装 pandas 会自动安装上 numpy
+pixi add 
+
+# torch-geometric
+pixi add conda-forge::pandas conda-forge::torch-geometric conda-forge::xgboost conda-forge::pyyaml conda-forge::rdkit conda-forge::pip conda-forge::click conda-forge::openpyxl
+
+# PyTorch相关（指定通道）
+# 1. 添加 pytorch 频道  conda 太旧改为使用 pypi
+# pixi workspace channel add pytorch
+# pixi add pytorch::pytorch=2.6 pytorch::pytorch-cuda=12.4
+pixi add --pypi torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0
+
+# 然后在 pixi.toml 中手动编辑为:
+[pypi-dependencies]  
+torch = { version = "==2.8.0", index = "https://download.pytorch.org/whl/cu128" }  
+torchvision = { version = "==0.23.0", index = "https://download.pytorch.org/whl/cu128" }  
+torchaudio = { version = "==2.8.0", index = "https://download.pytorch.org/whl/cu128" }
+
+# 安装依赖
+pixi install
+
+# 激活
+pixi shell
+```
+
+#### RDKit 安装建议
+
+RDKit 推荐使用 conda 安装：
+
+```bash
+conda install -c conda-forge rdkit
+```
+
+### 使用方法
+
+#### 1. 命令行使用
+
+**基本用法：**
+
+```bash
+# 预测 CSV 文件
+python utils/mole_predictor.py input.csv
+
+# 指定输出路径
+python utils/mole_predictor.py input.csv output.csv
+
+# 自定义列名
+python utils/mole_predictor.py input.csv output.csv \
+  --smiles-column SMILES \
+  --id-column compound_id
+
+# 使用 GPU 加速
+python utils/mole_predictor.py input.csv --device cuda:0
+
+# 调整批次大小和工作进程
+python utils/mole_predictor.py input.csv \
+  --batch-size 200 \
+  --n-workers 8
+```
+
+**查看所有选项：**
+
+```bash
+python utils/mole_predictor.py --help
+```
+
+**预测项目数据：**
+
+```bash
+# 预测 Frags-Enamine-18M.csv
+python utils/mole_predictor.py Data/fragment/Frags-Enamine-18M.csv
+
+# 预测 GDB11-27M.csv
+python utils/mole_predictor.py Data/fragment/GDB11-27M.csv
+```
+
+#### 2. Python API 使用
+
+**预测单个文件：**
+
+```python
+from utils.mole_predictor import predict_csv_file
+
+# 基本使用
+df_result = predict_csv_file(
+    input_path="Data/fragment/Frags-Enamine-18M.csv",
+    output_path="results/predictions.csv",
+    smiles_column="smiles",
+    batch_size=100,
+    device="auto"
+)
+
+# 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()}")
+```
+
+**批量预测多个文件：**
+
+```python
+from utils.mole_predictor import predict_multiple_files
+
+input_files = [
+    "Data/fragment/Frags-Enamine-18M.csv",
+    "Data/fragment/GDB11-27M.csv"
+]
+
+results = predict_multiple_files(
+    input_paths=input_files,
+    output_dir="results/",
+    smiles_column="smiles",
+    batch_size=100,
+    device="auto"
+)
+```
+
+**直接使用预测器：**
+
+```python
+from models import (
+    ParallelBroadSpectrumPredictor,
+    PredictionConfig,
+    MoleculeInput
+)
+
+# 创建配置
+config = PredictionConfig(
+    batch_size=100,
+    device="auto"  # 或 "cpu", "cuda:0"
+)
+
+# 创建预测器
+predictor = ParallelBroadSpectrumPredictor(config)
+
+# 预测单个分子
+molecule = MoleculeInput(smiles="CCO", chem_id="ethanol")
+result = predictor.predict_single(molecule)
+
+print(f"化合物ID: {result.chem_id}")
+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
+smiles_list = ["CCO", "c1ccccc1", "CC(=O)O"]
+chem_ids = ["ethanol", "benzene", "acetic_acid"]
+
+results = predictor.predict_from_smiles(smiles_list, chem_ids)
+
+for r in results:
+    print(f"{r.chem_id}: broad_spectrum={r.broad_spectrum}, "
+          f"apscore={r.apscore_total:.3f}")
+```
+
+### 输出说明
+
+预测结果会添加以下 7 个新列：
+
+| 列名 | 类型 | 说明 |
+|------|------|------|
+| `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_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） |
+
+#### 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。
+
+#### 输出文件位置
+
+默认情况下，输出文件会添加 `_predicted` 后缀：
+
+- 输入: `Data/fragment/Frags-Enamine-18M.csv`
+- 输出: `Data/fragment/Frags-Enamine-18M_predicted.csv`
+
+---
+
+## 项目结构
+
+```
+SIME/
+├── models/                          # MolE 预测模型
+│   ├── __init__.py
+│   ├── broad_spectrum_predictor.py  # 核心预测器
+│   ├── dataset_representation.py    # 数据集表示
+│   ├── ginet_concat.py             # GIN 神经网络
+│   └── mole_representation.py      # MolE 表示生成
+│
+├── utils/
+│   ├── mole_predictor.py           # 预测工具脚本
+│   └── ... (其他工具)
+│
+├── Data/
+│   └── fragment/                    # 待预测数据
+│       ├── Frags-Enamine-18M.csv
+│       └── GDB11-27M.csv
+│
+├── pyproject.toml                   # uv 项目配置
+├── requirements.txt                 # SIME 原始依赖
+├── requirements-mole.txt           # MolE 预测依赖
+│
+├── verify_setup.py                 # 设置验证工具
+├── check_mole_dependencies.py      # 依赖检查工具
+└── test_mole_predictor.py          # 功能测试
+```
+
+---
+
+## 依赖说明
+
+### SIME 原始依赖 (requirements.txt)
+
+用于大环内酯结构设计功能。
+
+### MolE 预测依赖 (requirements-mole.txt)
+
+用于抗菌活性预测，主要包括：
+
+- **深度学习**: torch, torch-geometric
+- **科学计算**: numpy, pandas, scipy
+- **机器学习**: scikit-learn, xgboost
+- **化学信息**: rdkit
+- **其他**: openpyxl, pyyaml, click
+
+---
+
+## 验证和测试
+
+### 验证安装
+
+```bash
+# 检查 Python 依赖
+python verify_setup.py
+
+# 检查模型文件
+python check_mole_dependencies.py
+```
+
+### 运行测试
+
+```bash
+# 功能测试（使用小规模测试数据）
+python test_mole_predictor.py
+```
+
+---
+
+## 常见问题
+
+### Q1: 如何处理大文件？
+
+**方案 1：** 增加批次大小和工作进程数
+
+```bash
+python utils/mole_predictor.py large_file.csv \
+  --batch-size 500 \
+  --n-workers 8
+```
+
+**方案 2：** 先提取部分数据测试
+
+```bash
+# 提取前 1000 行
+head -1001 large_file.csv > test_1000.csv
+python utils/mole_predictor.py test_1000.csv
+```
+
+### Q2: 如何只使用 CPU？
+
+```bash
+python utils/mole_predictor.py input.csv --device cpu
+```
+
+### Q3: 列名大小写问题？
+
+工具会自动进行大小写不敏感的列名匹配，所以 `SMILES`、`smiles`、`Smiles` 都可以识别。
+
+### Q4: ModuleNotFoundError 错误？
+
+确保已安装依赖：
+
+```bash
+uv pip install -r requirements-mole.txt
+```
+
+对于 RDKit，推荐使用 conda：
+
+```bash
+conda install -c conda-forge rdkit
+```
+
+### Q5: 如何自定义模型路径？
+
+```python
+from models import PredictionConfig, ParallelBroadSpectrumPredictor
+
+config = PredictionConfig(
+    xgboost_model_path="/path/to/model.pkl",
+    mole_model_path="/path/to/mole_model",
+    strain_categories_path="/path/to/strain_data.tsv.gz",
+    gram_info_path="/path/to/gram_info.xlsx",
+    app_threshold=0.044,
+    min_nkill=10,
+    batch_size=100,
+    device="auto"
+)
+
+predictor = ParallelBroadSpectrumPredictor(config)
+```
+
+### Q6: GPU 内存不足？
+
+减小批次大小：
+
+```bash
+python utils/mole_predictor.py input.csv --batch-size 50
+```
+
+### Q7: 模型文件在哪里？
+
+模型文件位于相邻的 `mole_broad_spectrum_parallel` 项目中：
+
+```
+../mole_broad_spectrum_parallel/
+├── pretrained_model/model_ginconcat_btwin_100k_d8000_l0.0001/
+│   ├── config.yaml
+│   └── model.pth
+├── data/03.model_evaluation/MolE-XGBoost-08.03.2024_14.20.pkl
+└── ...
+```
+
+运行 `python check_mole_dependencies.py` 检查文件是否存在。
+
+---
+
+## 性能建议
+
+- **使用 GPU**: 设置 `--device cuda:0` 可大幅加速（需要 CUDA）
+- **调整批次**: 较大的批次（100-500）通常更快
+- **多进程**: 使用 `--n-workers` 指定工作进程数
+- **首次加载**: 首次运行需要加载模型（~30秒），后续会更快
+
+### 性能参考
+
+| 分子数量 | CPU (8核) | GPU (CUDA) |
+|---------|----------|------------|
+| 100     | ~30秒    | ~10秒      |
+| 1,000   | ~5分钟   | ~1分钟     |
+| 10,000  | ~50分钟  | ~8分钟     |
+
+---
+
+## 系统要求
+
+- **Python**: 3.7 或更高版本（推荐 3.12）
+- **内存**: 最低 8 GB RAM
+- **存储**: 至少 2 GB 可用空间
+- **GPU**: 可选，但强烈推荐（需要 CUDA 支持）
+
+---
+
+## 技术支持
+
+如有问题：
+
+1. 查看验证结果: `python verify_setup.py`
+2. 检查模型文件: `python check_mole_dependencies.py`
+3. 运行功能测试: `python test_mole_predictor.py`
+
+---
+
+## 许可
+
+详见 LICENSE 文件。
+
+## 引用
+
+如果使用本工具，请引用相关论文。
+
+---
+
+**更新日期**: 2025-10-16  
+**版本**: 1.0.0
diff --git a/pyproject.toml b/pyproject.toml
new file mode 100644
index 0000000..ca8257b
--- /dev/null
+++ b/pyproject.toml
@@ -0,0 +1,48 @@
+[project]
+name = "SIME"
+version = "1.0.0"
+description = "Structure-Informed Macrolide Expansion with MolE antimicrobial prediction"
+readme = "README.md"
+requires-python = ">=3.7"
+license = {text = "MIT"}
+
+dependencies = [
+    "certifi>=2019.11.28",
+    "Click>=8.0.0",
+    "Flask>=1.1.1",
+    "itsdangerous>=1.1.0",
+    "Jinja2>=2.10.3",
+    "MarkupSafe>=1.1.1",
+    "MolVS>=0.1.1",
+    "numpy>=1.20.0",
+    "olefile>=0.46",
+    "pandas>=1.3.0",
+    "Pillow>=7.0.0",
+    "pycairo>=1.19.0",
+    "python-dateutil>=2.8.1",
+    "pytz>=2019.3",
+    "six>=1.14.0",
+    "Werkzeug>=0.16.0",
+]
+
+[project.optional-dependencies]
+mole = [
+    "torch>=1.9.0",
+    "torch-geometric>=2.0.0",
+    "scipy>=1.7.0",
+    "scikit-learn>=1.0.0",
+    "xgboost>=1.5.0",
+    "rdkit>=2022.03.1",
+    "openpyxl>=3.0.0",
+    "pyyaml>=5.4.0",
+]
+
+[build-system]
+requires = ["setuptools>=45", "wheel"]
+build-backend = "setuptools.build_meta"
+
+[tool.uv]
+dev-dependencies = []
+
+[tool.uv.sources]
+