实验数据集成本估算（Experiment Dataset Cost Estimation）

估算实验和科研数据集所需资源、周期与成本

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：

1. 公开数据库可用数据量评估（ChEMBL / BindingDB / PubChem / PDB）
2. 智慧芽专利库化学结构 SAR 提取量估算
3. 负样本与 ADMET 过滤后净数据量预测
4. 合规风险分级（学术研究 / 商业产品两个维度）
5. 数据工程工作量与成本区间估算
6. 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：

json

{
  "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