biopharma-asset-valuation

name	biopharma-asset-valuation
description	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。

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

{
  "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

# 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。