patsnap Experiment Dataset Cost Estimator
目标（Objective）
给定一个或多个药物靶点（或疾病领域），自动完成：
- 公开数据库可用数据量评估（ChEMBL / BindingDB / PubChem / PDB）
- 智慧芽专利库化学结构 SAR 提取量估算
- 负样本与 ADMET 过滤后净数据量预测
- 合规风险分级（学术研究 / 商业产品两个维度）
- 数据工程工作量与成本区间估算
- 输出完整的数据集构建方案报告（Word 格式）
输入参数（Inputs）
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
targets |
List[str] | ✅ | 靶点名称列表，如 ["PD-L1", "4-1BB"] |
task_type |
str | ✅ | 建模任务：regression / classification / generation / multi-target |
use_case |
str | ✅ | 用途：academic（学术研究）/ commercial（商业产品） |
molecule_type |
str | ✅ | 分子类型：small_molecule / antibody / fusion_protein / all |
output_language |
str | ❌ | 报告语言，默认 zh（中文），支持 en |
max_patents |
int | ❌ | SAR 提取最大专利件数，默认 20 |
工作流步骤（Workflow）
Step 1 — 实体规范化
调用 ls_ner_nor_normalize 对输入靶点名称进行标准化，获取靶点 ID、UniProt 号、别名等。
Step 2 — 药物情报与靶点覆盖评估
并行调用：
ls_drug_search(target=[...], highest_phase=["approved","phase_3","phase_2"])— 统计已知活性药物数量ls_target_fetch(target=[...])— 获取靶点结构域、表达、通路信息
输出：靶点热度评分、数据稀缺性预警。
Step 3 — 专利化学结构估算
调用 ls_patent_search(target=[...], patent_core_type=["product_compound"]) 检索化合物专利数量。
对 Top-10 代表性专利依次调用：
ls_patent_structure_fetch(pn=...)— 获取专利关联化合物数ls_sar_submit(pn=...)→ 轮询ls_sar_fetch(task_id=...)— 提取 SAR 结构-活性对
根据样本专利平均化合物数外推全库估算量。
Step 4 — ADMET 预筛选规模预测
对 Step 3 提取的代表性化合物 SMILES 批量调用：
ls_admet_predict(smiles=[...])— 预测 AMES 阳性率、hERG 风险比例
根据实测淘汰率推算 ADMET 净留存比例，修正最终有效数据量预测。
Step 5 — 文献数据量评估
ls_paper_search(target=[...], limit=1)— 统计文献总量ls_translational_medicine_search(target=[...], limit=1)— 获取转化医学条目数
Step 6 — 合规性矩阵生成
基于数据源类型，套用 references/compliance_rules.md 规则模板，
生成每类数据源的学术 / 商业合规评级与风险等级。
Step 7 — 成本估算
读取 references/cost_benchmarks.md 中的工时基准参数，结合数据量预测，计算：
- 数据采集 / 清洗 / ADMET / SAR 提取 / 报告工时（人天，低/中/高区间）
- 计算资源成本（CPU/GPU 小时）
Step 8 — 报告生成
调用 Office 工作流（office plan_workspace → run_builder → finalize）生成 Word 报告，
包含：方案概述、数据来源体系、字段规范、质量控制、合规评估、成本估算表、MCP 调用路线图。
示例（Examples）
示例 1 — PD-L1 × 4-1BB 双靶点小分子结构预测数据集（Eureka 会话 2026-06-30）
输入：
{
"targets": ["PD-L1", "4-1BB"],
"task_type": "multi-target",
"use_case": "academic",
"molecule_type": "small_molecule",
"output_language": "zh"
}
智慧芽 MCP 检索结果摘要：
| 检索维度 | 结果 |
|---|---|
| PD-L1 相关 Phase 2+ 药物 | 53 款 |
| 4-1BB 相关药物 | 245 款 |
| 双靶（PD-L1×4-1BB）药物 | 459 款 |
| 化合物专利池 | 2,025+ 件 |
| 相关文献 | 34,742 篇 |
代表性双靶药物：Acasunlimab、Opamtistomig、Sotiburafusp alfa、Cenopodlin、MAX-10181、ABSK-043
数据量估算：
| 来源 | 预估条目 |
|---|---|
| ChEMBL（PD-L1） | ~8,000 |
| ChEMBL（4-1BB） | ~2,000 |
| BindingDB | ~3,000 |
| 专利 SAR（智慧芽） | ~4,000 |
| PubChem HTS | ~2,000 |
| 负样本/ZINC | ~6,000 |
| 文献补充 | ~500 |
| 合计（ADMET 前） | ~25,500 |
| ADMET 净留存（约 65%） | ~16,575 |
成本估算（学术场景）：
| 工项 | 工时（低-高） | 中位 |
|---|---|---|
| 数据采集（脚本化） | 3–5 人天 | 4 人天 |
| 数据清洗 & 去重 | 4–7 人天 | 5.5 人天 |
| ADMET 批量预测 | 0.5–1.5 人天 | 1 人天 |
| 专利 SAR 提取 | 3–6 人天 | 4.5 人天 |
| 报告撰写 | 1–2 人天 | 1.5 人天 |
| 合计 | 11.5–21.5 人天 | 16.5 人天 |
合规评级： 学术使用 ✅ 全绿；商业使用 ⚠️ 专利 SAR 化合物需侵权评估
输出文件： pdl1-4-1bb-dataset-scheme.docx（7 章 + 附录，~44 KB）
详见 assets/example_output_pdl1_4-1bb.md。
输出物（Outputs）
| 文件 | 描述 |
|---|---|
{task_slug}-dataset-scheme.docx |
完整数据集构建方案 Word 报告（7 章 + 附录） |
{task_slug}-cost-summary.json |
结构化成本估算 JSON，可接入项目管理工具 |
{task_slug}-compliance-matrix.csv |
各数据源合规评级矩阵 |
{task_slug}-data-inventory.csv |
预估数据量清单（按来源分层） |
注意事项（Guardrails）
- 数据量估算为区间预测，实际值受靶点热度、专利密度、ChEMBL 收录深度影响，误差范围约 ±30%
- 专利 SAR 提取需逐件调用
ls_sar_submit，大批量时建议分批（每批 ≤20 件），避免任务超时 - ADMET 预测结果为 AI 模型输出，不替代实验验证
- 商业场景下的合规评估仅为初步风险提示，最终需法律团队审查
- 本技能不直接执行数据下载，数据采集脚本需在本地或云端独立运行