本方案针对Bioscreen微生物生长曲线数据，采用Origin软件实现Lambert-Pearson抑菌模型非线性拟合，标准化完整操作流程、参数初值设置、拟合质控、MIC/NIC推导与SCI绘图规范。Lambert-Pearson模型是微生物抑菌动力学经典模型，基于相对生长指标（分数面积Fa、最大生长速率μmax）与抑制剂浓度建立剂量-抑制响应关系，可定量求解非抑制浓度NIC、最低抑菌浓度MIC，广泛用于生物防腐剂、抑菌代谢物、农药抑菌菌株筛选。方案解决常见痛点：Origin无内置Lambert-Pearson函数，需要自定义拟合方程；参数初值选取不当极易拟合不收敛、局部最优；缺少平行数据拟合质控标准；拟合结果无法直接输出MIC、NIC；曲线美化不符合微生物SCI期刊格式；配套Bioscreen OD时序数据前处理规范。整套流程分为数据预处理、自定义拟合函数搭建、NLFit非线性拟合、参数提取、MIC/NIC计算、SCI图表美化六大模块。
二、Lambert-Pearson模型底层原理说明
1. 标准模型方程
Fa：分数生长面积（相对生长水平，Bioscreen 生长曲线 AUC 比值）；
Fa0：无抑制剂对照组最大相对生长；
C：抑制剂浓度；
P1：特征浓度参数；
P2：曲线斜率参数。
2. 核心输出指标
NIC（Non-inhibitory concentration）：低于该浓度无明显抑制；
MIC（Minimum inhibitory concentration）：达到完全抑制对应的临界浓度；
由拟合参数$P_1、P_2$数学推导得到。
3. 拟合逻辑：属于非线性回归，依赖合理参数初值；不能采用线性拟合替代；必须使用Levenberg-Marquardt迭代算法。
4. 质控判定：拟合优度$R^2$、残差分布、参数标准误差共同判断拟合可靠性；拟合发散、参数置信区间过宽的数据不可用于MIC/NIC定量。
三、Origin完整分步实操流程
1. Bioscreen原始数据预处理
① 导出各浓度OD随时间生长曲线，计算每条曲线AUC（曲线下面积）；
② 计算分数面积$F_a$：$F_a$=样品AUC / 空白对照组AUC；
③ 工作表建立两列：X=抑制剂浓度C，Y=Fa；建议浓度采用算术浓度，部分文献使用log₁₀(C)，全文统一；
④ 剔除异常离群点，同一浓度平行取均值。
2. 在Origin创建Lambert-Pearson自定义拟合函数
① 菜单 Tools → Fitting Function Organizer → New Function；
② Function Name：Lambert_Pearson；
③ Independent variable：x；Dependent variable：y；
④ Parameters：Fa0, P1, P2；
⑤ Function Body：`y = Fa0 * exp(-(x/P1)^P2)`；
⑥ 保存函数，归类至User Defined分类。
3. 启动非线性拟合NLFit（Ctrl+Y）
① 选中XY数据，Analysis → Fitting → Nonlinear Curve Fit → Open Dialog；
② Function选择 User Defined → Lambert_Pearson；
③ 设置参数初值（关键，推荐初值区间）
Fa0：0.95~1.05（对照组理论接近1）；
P1：预估EC50附近浓度；
P2：1.0~4.0；
④ 勾选参数边界：Fa0>0，P1>0，P2>0；避免出现无物理意义负值；
⑤ 迭代算法选择L-M（Levenberg-Marquardt）；设置足够最大迭代次数。
4. 执行拟合、结果核验
① 点击Fit，生成拟合曲线与参数报表；
② 重点查看：各参数标准误差、$R^2$、残差图；
③ 拟合不收敛解决方案：重新调整初值、扩大浓度区间、剔除极端异常点；
④ 若多条平行样本，依次独立拟合，汇总参数平均值与标准差。
5. 由拟合参数计算NIC与MIC
采用Lambert & Pearson原始推导公式：
将Origin拟合得到的P1、P2代入Excel/Origin公式批量计算。
6. SCI标准绘图美化规范
① 散点：原始实验数据，实心符号，设置合适大小；
② 拟合曲线：连续实线，略粗；
③ X轴：抑制剂浓度；Y轴：相对生长Fa；
④ 标注拟合方程、$R^2$、NIC、MIC数值；
⑤ 坐标轴线条粗细统一，无填充背景，符合微生物学期刊要求；
⑥ 可添加95%置信区间带（可选）。
四、高频拟合失败原因与排查
1. 参数初值不合理：曲线直接水平或剧烈震荡；手动调整P1、P2初始猜测值；
2. 浓度梯度设置不合理：缺少高浓度完全抑制区间，模型约束不足；
3. Fa计算异常（大于1）：对照组与样品空白校正不一致，重新处理Bioscreen OD基线；
4. 未设置参数下限，出现P1/P2负值：添加参数边界约束；
5. 数据噪声过大：增加生物学平行，对同一浓度取平均。
五、长期实验质控条款
1. Fa统一采用生长曲线AUC比值，论文写明计算方式；
2. 每次拟合保存自定义函数，保证批次之间函数完全一致；
3. MIC/NIC必须附上拟合参数置信区间；
4. $R^2$低于0.90的拟合结果谨慎使用，必要时补充浓度梯度；
5. 区分“模型拟合MIC”与传统试管梯度稀释MIC，讨论部分说明两种方法差异。
六、SCI论文方法学标准描述参考
Growth curves of microorganisms were acquired by Bioscreen C instrument. Fractional area (Fa) under each growth curve was calculated. Nonlinear regression based on Lambert-Pearson inhibitory model was performed in Origin using self-defined function. Levenberg–Marquardt algorithm was adopted for iteration. Non-inhibitory concentration (NIC) and minimum inhibitory concentration (MIC) were derived from fitted P1 and P2 parameters. Curve fitting results with acceptable determination coefficient were used for antimicrobial performance evaluation.
七、微生物抑菌课题高频审稿标准应答
1. 质疑：为何选用Lambert-Pearson模型，不使用Logistic或Weibull模型
应答：Lambert-Pearson model directly links microbial growth integral (AUC) with inhibitor concentration, and enables mathematical derivation of NIC and MIC without subjective threshold setting, which is suitable for continuous growth monitoring data obtained from Bioscreen high-throughput system.
2. 质疑：拟合初值人为设定，是否带来主观偏差
应答：Multiple initial value combinations were tested to verify convergence. Parameter boundary constraints were applied to avoid non-physiological solutions. All fitting procedures and initial guess ranges were recorded to ensure reproducibility.
3. 质疑：模型计算MIC与传统梯度稀释MIC存在差异如何解释
应答：Gradient dilution method is discrete endpoint observation. Lambert-Pearson model utilizes continuous growth kinetic information. The discrepancy originates from different evaluation criteria, and this comparison was discussed in the manuscript.
八、体系核心结论
利用Origin自定义函数可完成Bioscreen生长数据Lambert-Pearson抑菌模型非线性拟合；核心关键点为正确计算分数生长面积Fa、合理设置参数初值与边界约束。拟合获得P1、P2后可直接推导NIC与MIC，定量评价抑制剂抑菌效能。拟合优度、参数误差必须纳入质控，不收敛、低拟合质量的数据不能用于抑菌能力对比。