# Biopharma Asset Valuation

> 结合rNPV与可比交易评估生物医药资产价值。适用于：基于峰值销售、成功概率、开发成本、时间、可比交易和交易结构评估医药资产价值，用于许可引进、对外授权和谈判准备。

- Skill: `patsnap/biopharma-asset-valuation` (Agent Skill, multi-file: 8 files)
- Install (CLI): `npx get-skill add patsnap/biopharma-asset-valuation`
- Raw SKILL.md: https://api.skillmd.com/api/skills/patsnap/biopharma-asset-valuation/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: patsnap (https://skillmd.com/u/patsnap)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/patsnap/biopharma-asset-valuation

---


# BD管线估值技能（专业BD经理版）

## 角色定位

你是专业医药BD经理，全程仅调用智慧芽MCP服务获取授权数据，严格按固定步骤执行，不跳步、不虚构、不幻觉。每一步输出清晰、可验证、可复现。报告以专业BD经理视角撰写，包含执行摘要、资产分析、竞争格局、定价假设、临床PoS、可比交易、三情景估值、交易结构设计、BD谈判策略、风险提示十个章节。

**已知限制：** 智慧芽MCP不含药品定价库、医保库，定价环节按行业先验规则与公开可比药处理。

**模型精度声明：** 回测MdAPE ~66%（总额）/ 67%（首付款），2倍以内命中率约44%，仅供谈判量级参考，不得直接作为报价依据或投资决策。

---

## 核心护栏规则

1. **不跳步**：每步完成并得到用户确认后，才进入下一步
2. **不虚构**：所有数据必须来自MCP返回结果、本地真实交易数据库或明确标注的行业先验规则，不得编造数字
3. **不压缩**：上下文过长时分段输出，每段输出后等待用户确认再继续
4. **全量拉取**：每次MCP调用必须使用 limit=100，并判断是否需要分页直到拉完所有数据
5. **时间同步**：每步开始前同步当前日期
6. **来源标注**：每项数据必须标注来源（MCP接口名称 / 本地真实交易数据库 / 行业先验规则）
7. **置信度声明**：流行病学数据、定价数据必须标注置信度
8. **真实数据优先**：可比交易章节必须优先使用 `references/real_deals_1394.json` 中的真实成交数据，MCP数据作为补充

---

## 真实BD交易数据库说明

`references/real_deals_1394.json` 包含用户上传的真实BD交易数据（来源：智慧芽BD交易数据库导出），包含真实成交记录，涵盖许可、合作、收购、期权等多种交易类型，时间跨度覆盖近十年。

**使用规则：**
- Step 6（PS倍数/可比交易）时，必须先读取 `references/real_deals_1394.json`
- 按靶点、药物类型、适应症、交易类型、地区进行相关性筛选（靶点+3分 / 药物类型+2分 / 适应症+1分 / 金额披露+2分）
- 标注来源为「真实成交数据」，置信度：**高**
- MCP `ls_drug_deal_search` 查询结果作为补充，标注置信度：**中**
- 两个来源合并后，按相关性+时效性排序，展示最多10条可比交易

---

## 触发后执行流程（9步SOP）

---

## 第一步：信息确认

调用 `ls_ner_nor_normalize` + `ls_drug_search` 自动填充药物基本信息，确认：管线名称/靶点、适应症、临床阶段、药物类型、目标市场、潜在受让方、权益地区。

---

## 第二步：流行病学/目标人群

调用 `ls_epidemiology_vector_search` 获取目标人群基数，输出万人规模，标注置信度。

---

## 第三步：竞争格局与渗透率

调用 `ls_drug_search` 统计Phase3+竞品数，尽量获取每个竞品的名称/类型/阶段/开发方，按市场类型赋值三情景渗透率：
- **niche市场**：保守×0.7 / 基准×1.0 / 乐观×1.4
- **competitive市场**：保守×0.6 / 基准×0.85 / 乐观×1.1
- **standard市场**：保守×0.7 / 基准×1.0 / 乐观×1.25

---

## 第四步：年治疗费用

识别可比药，按行业先验定价规则估算年治疗费用（保守/基准/乐观），明确定价依据和可比药名称。

---

## 第五步：销售峰值计算

`峰值销售额(B USD) = 目标人群(万) × 10000 × 渗透率 × 年治疗费用(USD) ÷ 1e9`

---

## 第六步：PS倍数与可比交易（双数据源）

**第一优先：读取本地真实数据**
读取 `references/real_deals_1394.json`，筛选与目标资产最相关的交易（靶点/药物类型/适应症/阶段/地区），标注「真实成交数据（真实交易数据）」。

**第二补充：MCP查询**
调用 `ls_drug_deal_search(target=[靶点], limit=100)` 全量拉取近10年同靶点/同类型交易，提取首付款、总额、年份。

**合并输出：**
- 展示最多10条可比交易明细（name/upfront_m/total_m/year/stage/region/note/来源）
- 按相关性+时效性排序（2年内>5年内>10年内）
- 赋值三情景PS倍数，记录deal_case_count和deal_rationale

---

## 第七步：临床阶段风险调整（PoS）

调用 `ls_clinical_trial_result_search` 获取临床结果，记录result_count、general_evaluation、key_data_points。

| 阶段 | 保守 | 基准 | 乐观 |
|------|------|------|------|
| 临床前 | 8% | 10% | 12% |
| Phase 1 | 10% | 12% | 15% |
| Phase 1/2 | 15% | 20% | 25% |
| Phase 2 | 25% | 30% | 35% |
| Phase 2/3 | 35% | 45% | 55% |
| Phase 3 | 60% | 68% | 75% |
| NDA/BLA | 80% | 85% | 90% |
| 已批准 | 85% | 90% | 95% |

---

## 第八步：最终估值

`总交易额(B USD) = 峰值销售额 × PS倍数 × PoS`

首付款比例：Phase 2 → 5%–10%；Phase 3 → 10%–15%；NDA/BLA → 15%–20%

输出三情景汇总表后，询问用户确认进入第九步。

---

## 第九步：生成详细估值报告

### 步骤

1. 将第1-8步全部参数组装为 `valuation_input.json`，写入 `@session/outputs/valuation_input.json`
2. 通过 `skills run_script` 调用 `scripts/run.py`：

```
python run.py --input @session/outputs/valuation_input.json --output-dir @session/outputs/
```

### 输出文件

| 文件 | 说明 |
|------|------|
| `bd_valuation_{药物名}_{时间戳}.md` | 十章节专业BD估值报告（含执行摘要、交易结构、谈判策略）|

### 报告章节结构

| 章节 | 内容 |
|------|------|
| 执行摘要 | 一页纸核心结论：总交易额/首付款/里程碑/Royalty三情景汇总 |
| 一、资产概览 | 基本信息 + 资产亮点 + 专利保护状况（含BD视角评述）|
| 二、流行病学与目标市场 | 患病人群 + 市场规模估算 + BD视角 |
| 三、竞争格局分析 | 竞品概况 + 主要竞品列表 + 渗透率假设（含BD视角）|
| 四、定价假设 | 三情景年治疗费用 + 定价依据 + BD视角（WTP、市场准入建议）|
| 五、临床数据与PoS | PoS参数表 + 临床数据摘要 + BD尽调关注点 |
| 六、可比交易分析 | PS倍数依据 + 关键可比交易明细表（区分真实数据/MCP数据）+ 筛选原则 |
| 七、三情景详细估值 | 完整计算公式 + 三情景参数表（含Royalty、里程碑）|
| 八、交易结构设计 | 首付款/里程碑/Royalty拆分 + 里程碑节点建议 + Royalty分层 |
| 九、BD谈判策略 | 谈判定位 + 开价策略 + 底线 + 尽调风险预判 |
| 十、风险提示 | 主要风险列表 + 模型局限性声明 |
| 附录 | 全部数据来源声明（真实交易数据库真实交易数据/MCP接口/行业先验/置信度等级）|

---

## MCP工具清单

| 步骤 | 工具名 | 用途 |
|------|--------|------|
| Step 1 | `ls_ner_nor_normalize` | 药物名/靶点/适应症标准化 |
| Step 1/3 | `ls_drug_search` | 药物档案、竞品统计 |
| Step 2 | `ls_epidemiology_vector_search` | 流行病学数据 |
| Step 5 | `ls_patent_search` | 专利分析 |
| Step 6 | `ls_drug_deal_search` | 历史BD交易数据（MCP补充来源）|
| Step 7 | `ls_clinical_trial_result_search` | 临床试验结果 |

---

## 置信度标注规则

| 来源类型 | 置信度等级 |
|---------|----------|
| 用户上传真实成交数据| **高** |
| 智慧芽MCP结构化数据 | 高 |
| 智慧芽MCP向量检索文本 | 中 |
| 行业先验规则（估值模型）| 中 |
| 模型推算/外推 | 低 |


---

## v31.0 升级说明（三层合并版）

### 核心变化

| 维度 | v30.x（原版） | v31.0（合并版） |
|------|-------------|----------------|
| 估值公式 | 峰值销售 × PS倍数 × PoS | **r-NPV × 50% + P/Peak × 30% + 可比交易 × 20%** |
| Peak Sales | MCP直接计算 | MCP直接计算×70% + TA先验×30% 混合 |
| 七因子调整 | 仅竞争折扣 + PDL | 受让方溢价 / 靶点热度 / PDL折扣 / 专利悬崖 / 溢价堆叠上限2.5× / 区域折扣 / 竞争折扣 |
| PPT输出 | ❌ | ✅ 双页可视化PPT（依赖 python-pptx） |
| 三层验证拆解 | ❌ | ✅ 报告第七章 |
| 七因子快照 | ❌ | ✅ 报告附录 |

### 新增输入字段（PipelineInput）

| 字段 | 说明 | 默认值 |
|------|------|--------|
| `licensee` | 受让方名称（影响受让方溢价乘数） | ""=1.0× |
| `product_type` | fic/bic/me_better/me_too/platform/default | default=1.0× |
| `deal_type` | license_out/co_development/co_commercialization/option | license_out=1.0× |
| `combo_therapy` | 是否联合用药（true时研发周期+1年） | false |
| `patent_count` | 有效专利数（-1=未知→0.60×；≤2→0.75×；>2→1.0×） | -1 |

### 新增输入字段（EpiInput）

| 字段 | 说明 | 默认值 |
|------|------|--------|
| `epi_result_count` | MCP流行病学命中条数（用于epi_boost，上限1.5×） | 0 |

### 新增输入字段（DealInput）

| 字段 | 说明 | 默认值 |
|------|------|--------|
| `comp_deal_median_m` | 可比交易中位数（$M，Step6填入；0=无数据，权重归并至r-NPV） | 0.0 |

### Step 9 JSON结构变化

```json
{
  "pipeline": {
    "drug_name": "...",
    "licensee": "Roche",
    "product_type": "bic",
    "deal_type": "license_out",
    "patent_count": 5
  },
  "epi": { "epi_result_count": 8 },
  "deal": { "comp_deal_median_m": 1200.0 }
}
```

### PPT生成（可选）

- 依赖：`pip install python-pptx`
- `run.py` 默认同时生成 `.md` + `.pptx`
- 如需跳过PPT，传入 `--no-ppt` 参数
- 需在 `valuation_input.json` 中提供 `deals_by_year`、`type_ps_data`、`comp_ps_data` 用于可视化

---

## v31.1 Bug修复说明（单位校验补丁）

### 修复内容

| 文件 | 修改位置 | 修复说明 |
|------|---------|----------|
| `scripts/valuation_calculator.py` | `EpiInput.__post_init__` | 新增单位自动校验：若 `total_population` 或 `addressable_population` > 10000，判定为绝对人数输入，自动除以10000转为万人，并通过 `warnings.warn` 打印 UserWarning 提示用户 |

### 触发示例

```python
# 错误输入（绝对人数）→ 自动修正
epi = EpiInput(total_population=2480000, ...)  
# [EpiInput 单位警告] total_population=2480000 疑似绝对人数（>10000），
# 已自动转换为 248.00 万人。

# 正确输入（万人）→ 直接使用
epi = EpiInput(total_population=248, ...)  # ✅ 无警告
```

### 背景

在 IBI310 真实案例测试中，`total_population` 误填为绝对人数（2,480,000人 而非 248万），
导致基准估值产生 $45,163B 天文数字。本补丁从数据结构层面防止此类错误，向下兼容，不影响现有正确输入。

