Menu
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。
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional SOC
在专利全景项目的环节 4/4（环节4）使用本技能。它会把环节2统计/价值信号、环节3标引体系（tech_breakdown / key_questions / patent_packages）以及 SaaS 回流的 tagged_pool 转化为技术演进路线、护城河/价值交叉解读，并生成自包含 HTML 洞察报告（report.html + report_manifest.json）。
用于专利全景项目的环节1。它构建专家级、限定领域、带主题锚点且去噪的检索配置，通过抽样验证每个分支的精度，并导出干净候选池和各分支检索式——这些是环节2（patent-panorama-insights-stats）的输入契约。统计、画像和核心专利召回属于环节2。
当用户需要基于 PatSnap 或智慧芽专利 MCP/API 数据开展专利全景、专利版图、竞争专利情报、技术路线图、组合规划、产品/R&D 策略项目时使用本技能——无论用户显式调用 /patent-panorama-insights（或 @patent-panorama-insights），还是用自然语言描述这类专利分析任务。本技能编排五层流水线：环节1检索与降噪（patent-panorama-insights-search）、环节2全景统计与价值挖掘（patent-panorama-insights-stats）、环节3标引体系推荐（patent-panorama-insights-tag）、客户 SaaS 工具中的人工标引交接，以及环节4有证据支撑的单文件 HTML 报告（patent-panorama-insights-report），并管理各层之间的检查点、人工标引交接、回滚和进度汇报。
用于专利全景项目的环节2。它消费 patent-panorama-insights-search（环节1）产出的已验证 `search_config.json`、`candidate_pool.csv` 和 `core_recall.csv`，生成全景统计（趋势、申请人格局、技术构成、竞品画像）、按分支组织的核心专利索引（默认采信环节1召回排序，仅在必要时做有边界的兜底核查）和价值信号交叉挖掘文件。所有统计直接从检索式聚合，不需要逐件专利标引。
用于专利全景项目的环节3。本 Skill 推荐标引体系，包括 4 列技术拆解表（≤40 个三级节点，彼此互斥）、≥10 个关键技术问题、≥10 个推荐专利包（每包≥3 个同族，六项推荐规则），并提供 20–30 条记录的标引示范和待标引导出文件。全量逐条标引在客户 SaaS 标引工具中完成，不在本 Skill 中完成。
持续监控ADC研发、临床、专利、交易与竞争事件。适用于：持续监控ADC或抗体药物的研发进展、临床证据、专利变化、许可交易和竞争事件，用于赛道预警和BD机会跟踪。
| 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。 |
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。
references/real_deals_1394.json 中的真实成交数据，MCP数据作为补充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：
references/real_deals_1394.jsonls_drug_deal_search 查询结果作为补充，标注置信度：中调用 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。
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。
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：
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。
峰值销售额(B USD) = 目标人群(万) × 10000 × 渗透率 × 年治疗费用(USD) ÷ 1e9
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：
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% |
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。
valuation_input.json，写入 @session/outputs/valuation_input.jsonskills run_script 调用 scripts/run.py：python run.py --input @session/outputs/valuation_input.json --output-dir @session/outputs/
| 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） |
| 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） |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
{
"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 }
}
pip install python-pptxrun.py 默认同时生成 .md + .pptx--no-ppt 参数valuation_input.json 中提供 deals_by_year、type_ps_data、comp_ps_data 用于可视化| 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 |
# 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
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。