target-discovery

化合物库反向靶点发现工作流。给定化合物 SMILES，依次执行 ADMET 成药性过滤、骨架分析、结构相似检索、靶点情报验证、FTO 专利风险扫描、SAR 构效关系提取，输出优先级靶点-化合物改造方向清单，支持生成 PPT 与 PDF 报告。

yuanzhian-patsnap@yuanzhian-patsnap

Install

openclaw skills install @yuanzhian-patsnap/target-discovery

Target Discovery Skill — 化合物库反向靶点发现

一、技能定位

适用场景：客户已积累大量自有化合物库（高校课题组、药企研究团队、CRO），希望反向从化合物结构出发，预测可能作用的靶点，加速成果转化。

触发关键词：

"我们有化合物库，想知道能打哪个靶点"
"反向筛靶"、"靶点预测"、"化合物库靶点发现"
"这个分子可能作用于什么靶点"
"帮我分析一下这个 SMILES 的潜在靶点"

不适用场景：

已知靶点，正向设计化合物 → 使用 patsnap-lifescience-target-intelligence_zh
单分子专利新颖性评估 → 使用 novelty-check
竞争格局分析 → 使用 competitive-landscape

二、依赖能力（MCP + Skill）

必须可用的 MCP 工具

MCP 服务器	工具名	用途
`tool-collection-chemical-molecular`	`ls_admet_predict`	Step 1：ADMET 成药性批量预测
`tool-collection-chemical-molecular`	`ls_chemical_mcs_analyze`	Step 2：骨架/片段频率分析（MCS）
`tool-collection-chemical-molecular`	`ls_structure_search`	Step 3：结构相似性检索（SIM/EXT）
`tool-collection-chemical-molecular`	`ls_structure_fetch`	Step 3+：化合物详情获取
`tool-collection-chemical-molecular`	`ls_patent_structure_fetch`	Step 5：专利化学结构批量获取
`tool-collection-chemical-molecular`	`ls_sar_submit` / `ls_sar_fetch`	Step 6：SAR 构效关系提取
`patent-search`	`patsnap_search` / `patsnap_fetch`	Step 3/5：专利/文献检索

协同 Skills

Skill 名称	用途
`patsnap-lifescience-target-intelligence_zh`	Step 4：靶点情报验证（成药性/管线/竞争格局）
`novelty-check`	Step 5：FTO 单参考文献新颖性分析
`competitive-landscape`	Step 4+：靶点赛道竞争格局深度报告
`ppt-generator`	输出：生成演示PPT
`pdf-generator`	输出：生成 PDF 报告

三、标准执行流程（6步）

输入

必填：化合物 SMILES 字符串（一个或多个）
选填：化合物名称/编号、适应症偏好方向、是否生成报告（PPT/PDF）

Step 1 — ADMET 成药性过滤

工具：ls_admet_predict 操作：对输入 SMILES 批量预测 22 项 ADMET 指标 核心评估维度：

类药五规则（MW < 500, logP 0-5, HBD ≤ 5, HBA ≤ 10）
口服生物利用度、水溶性（logS）
hERG 心脏毒性（安全性红线）
BBB 透过率（决定是否可探索 CNS 靶点）
CYP3A4/2D6 抑制（药物相互作用风险）

决策规则：

全部不符合五规则 → 标记为"成药性极差"，移出候选池
BBB 低 → 排除 CNS 靶点假说方向
hERG 高风险 → 标记心脏毒性警告，后续靶点需规避心血管适应症

输出：通过/不通过标记 + 关键风险提示列表

Step 2 — 骨架/片段分析

工具：ls_chemical_mcs_analyze 操作：对通过 Step 1 的分子集合做 MCS（最大公共子结构）分析 解读要点：

识别核心骨架类型（嘧啶、喹唑啉、咪唑、吲哚等）
常见药效团关联：
- 嘧啶-苯胺核心 → 激酶抑制剂
- 咪唑并嘧啶 → PI3K/mTOR 抑制剂
- 吲哚核心 → 多靶点激酶 / GPCR
- 哌嗪/哌啶侧链 → 选择性口袋识别
高频片段分布 → 确定优先分析子集（覆盖最广的骨架族）

输出：骨架家族分类 + 靶点类型初步指向（激酶/GPCR/核受体/离子通道等）

Step 3 — 结构相似检索 → 靶点假说生成

工具：ls_structure_search（SIM 模式，Tanimoto ≥ 0.4）操作：对每个核心分子做相似性检索，返回已知活性的结构邻居 解读规则：

Tanimoto ≥ 0.7：高相似，靶点假说可信度高
Tanimoto 0.5-0.7：中等相似，作为支持性证据
Tanimoto 0.4-0.5：低相似，仅提示方向，需更多验证

靶点假说排序：按相似邻居中靶点出现频率降序排列，生成 Top 3 靶点假说列表

输出：

text

假说 1（最高优先级）：靶点名称 — 支持邻居数量 / 最高 Tanimoto 值
假说 2：靶点名称 — ...
假说 3：靶点名称 — ...

Step 4 — 靶点情报验证

技能：patsnap-lifescience-target-intelligence_zh 操作：针对 Top 1-3 靶点假说，分别调用靶点情报技能 评估维度：

生物学验证：靶点与疾病的因果关系强度
成药性：已有上市药物 / 临床管线数量
竞争格局：赛道拥挤程度（红海/蓝海判断）
适应症价值：市场规模、未满足临床需求
耐药机制：是否存在已知耐药突变影响成药

优先级决策矩阵：

维度	高分	低分
成药性验证	已有上市药	无临床进展
赛道空间	存在差异化机会	头部玩家完全垄断
适应症价值	大适应症/高未满足需求	小适应症/已充分满足
化合物-靶点匹配	Tanimoto > 0.6 + 骨架一致	仅骨架远亲

输出：Top 3 靶点评分卡 + 推荐优先验证靶点

Step 5 — FTO 专利风险扫描

工具：ls_structure_search（EXT 精确模式）+ novelty-check Skill 操作：

精确结构检索：查询分子是否已被专利权利要求覆盖
新颖性分析：对命中专利执行单参考文献新颖性比对
法律状态核查：通过 patsnap_fetch（module=legal）确认专利是否有效

风险分级：

风险级别	判断条件	建议行动
🔴 高风险	精确结构命中 + 专利有效	必须结构改造后推进
🟡 中风险	相似结构命中（Tanimoto>0.8）+ 专利有效	评估权利要求范围，考虑规避设计
🟢 低风险	无命中 / 专利已过期	可推进，建议自行申请专利保护

输出：FTO 风险报告 + 改造建议方向

Step 6 — SAR 构效关系提取

工具：ls_sar_submit → 轮询 ls_sar_fetch 输入：Step 3 命中的相关专利号操作：从专利中提取化合物-活性数据，分析各官能团取代对活性的影响 解读维度：

核心骨架各位置取代基变化对靶点活性（IC50/Ki）的影响
选择性位点：哪些取代可提升对目标靶点的选择性
毒性规避位点：降低 hERG / CYP 毒性的改造方向
成药性提升位点：改善溶解性 / 生物利用度的取代策略

输出：

text

位置 X → 取代基类型 → 活性影响方向
改造优先级路径：路径A（选择性）/ 路径B（耐药覆盖）/ 路径C（新适应症）

四、输出物汇总

每次完整执行后，产出以下交付物：

4.1 核心分析报告

text

📋 靶点发现报告
├── 输入化合物 ADMET 轮廓（通过/风险项）
├── 骨架分类结果（骨架族 + 药效团特征）
├── Top 3 靶点假说（排序 + 置信度）
├── 各靶点情报摘要（成药性/竞争/适应症）
├── FTO 风险等级 + 改造方向建议
└── SAR 关键构效关系表（改造路径优先级）

4.2 可视化输出（按需）

PPT 演示稿：调用 ppt-generator Skill，生成乔布斯风极简竖屏 HTML 演示文件
PDF 正式报告：调用 pdf-generator Skill，生成可下载 PDF

五、典型对话触发示例

text

用户：我有一个 SMILES：Cc1ccc(NC(=O)...)，帮我分析可能的靶点
→ 自动执行 Step 1-6 全流程

用户：我们化合物库有 200 个分子，想做靶点筛选
→ 询问：是否提供 SMILES 列表？优先分析全库还是抽取代表性骨架？

用户：帮我分析一下 BCR-ABL 抑制剂的构效关系
→ 直接跳转 Step 6（SAR 提取），结合 Step 4 靶点情报

用户：这个分子有没有专利风险？
→ 直接执行 Step 5（FTO 扫描）

六、执行注意事项

MCP 可用性检查：执行前确认 tool-collection-chemical-molecular 已安装并 active，否则 Step 1/2/3/6 无法执行
异步工具轮询：ls_sar_submit 为异步任务，提交后需轮询 ls_sar_fetch 获取结果，等待间隔建议 10-30 秒
SMILES 格式验证：输入 SMILES 前建议做基础格式校验（括号匹配、原子符号合法性）
多分子批处理：ls_admet_predict 支持批量输入；ls_structure_search 建议单分子逐个执行以保证结果精度
证据溯源：所有靶点假说、专利引用、文献结论均需标注 [S#] 来源标记，不可无来源断言
跨步骤信息传递：每步输出结果需显式传递给下一步（例如 Step 3 的靶点假说列表传入 Step 4，Step 3 命中专利号传入 Step 6）

使用前配置

本 Skill 依赖智慧芽开放平台 MCP 服务：

完成安装、初次使用时需进行自检，参见 README.md
用户需完成账号授权，并确保 Agent 环境已启用对应 MCP 工具
若未完成配置，本 Skill 只能提供分析框架，无法检索实时数据或生成基于数据库的结论
缺少MCP配置时，引导用户参照 README.md 在 [open.zhihuiya.com](https://open.zhihuiya.com/) 获取MCP。