search-and-curate-chemical-libraries

name	search-and-curate-chemical-libraries
description	对已标准化化合物库执行可审计的相似性、子结构、聚类、多样性选择和只读治理。用于查找结构邻居、筛选子结构、整理分子库或选择代表分子。

本地结构检索与化合物库治理

能力

使用固定 RDKit 对前三个化学 Skill 的产物执行：

• 化合物库可检索性审查；
• Tanimoto 相似性检索；
• 非递归 SMILES/SMARTS 完整子结构匹配；
• Butina 聚类；
• 固定 seed 的 MaxMin 多样性选择；
• exact structure 和风险记录的只读治理复核队列。

适合以下请求：

• “找出与这个分子结构最相似的 20 个记录”；
• “筛选包含这个 SMARTS 子结构的化合物”；
• “按 Morgan 指纹给这批分子聚类”；
• “从化合物库中选择 100 个结构多样的代表”；
• “检查库里哪些记录重复、不可检索或需要人工复核”。

执行流程

1. 确认输入来自 compute-molecular-features，并阅读 Features Artifact 消费合同。 audit、相似性、子结构、聚类和多样性选择都不得绕过该合同直接读取 standardize-chemical-structures。
2. 要求用户显式选择 standardized 或 parent 视图，禁止跨视图比较。
3. 相似性、聚类和多样性选择要求显式 fingerprint_profile_id；不得自行重算或替换指纹。
4. 根据任务创建 request JSON，显式记录阈值、top-k、手性、seed 和是否纳入 review 记录。
5. 运行：

python scripts/search_and_curate.py \
  --request request.json \
  --output result.json

6. 校验：

python scripts/validate_output.py result.json

7. 向用户报告 indexed/excluded/error 计数、查询结果、参数、复核队列和未验证边界。

五个 operation

• audit_library：审查 profile、结构视图、上游状态、重复结构和排除记录；
• similarity_search：固定 Tanimoto，top_k、threshold 至少提供一个；
• substructure_search：query_type、query、use_chirality 和 max_results 必填；
• cluster_library：固定 Butina，要求显式 similarity_threshold；
• select_diverse_subset：固定 MaxMin，要求显式 pick_size 和非负 seed。

强制边界

• 首版唯一引擎为 rdkit==2025.9.2；
• 相似性、子结构、审查和 MaxMin 最多 5000 个可检索记录，Butina 最多 2000 个；
• 无全局默认相似度或聚类阈值；
• review 记录默认不索引；显式纳入时风险继续传播；
• rejected、not_run 和 error 记录永不索引，但必须保留在输出 manifest；
• fingerprint/pattern 只可预过滤，子结构最终命中必须经过完整子图匹配；
• 首版拒绝所有 recursive SMARTS；
• 不自动删除、合并、覆盖或写回用户化合物库；
• 不预测或声称活性、功能、机制、药效、毒性、安全、可合成性或实验优先级；
• parent 相同不表示相同盐型、制剂、批次或物理样品；
• 不访问网络，不调用远程化学数据库；
• 不训练模型，不执行对接、逆合成、生成、真实实验或知识图谱；
• 不修改平台、MCP、数据库、前端或 Agent runtime。

与其他 Skill 的边界

resolve-chemical-identities
名称/标识符 → 候选化学记录与来源状态

standardize-chemical-structures
已知结构 → standardized/parent、结构 QC 和重复组

compute-molecular-features
明确结构视图 → 二维描述符和固定指纹

search-and-curate-chemical-libraries
固定结构/指纹 → 只读检索、分组、选择和治理复核队列

本 Skill 不解析名称或数据库 ID，不标准化结构，不重新计算第三 Skill 指纹，也不执行性质预测和模型训练。

输入输出合同、算法参数、状态、Gold、性能边界和科学解释规则见 references/输入输出与科学边界.md。