医药横纵分析法深度研究

核心方法论：纵轴追时间深度（因果链叙事），横轴追同期广度（证据包对比），交叉出新判断。 适配医药：纵轴 = 全生命周期因果链，横轴 = 多维证据包横向比较。

前置准备

拿到用户输入后确认（优先自行推断，只追问一次）：

1. 对象类型：drug / target / indication / company / platform
2. 对象名称（标准英文名优先，中文也行）
3. 研究目的（尽调/立项/竞品差距/注册路径/BD 评估等）
4. 地域：默认 Global + US/EU/CN，用户指定除外
5. 时间范围：默认从对象起源到当前，用户指定除外

Step 0：数据采集（脚本辅助）

先运行数据采集脚本，拿到结构化数据再做分析，而不是一开始就纯搜索。脚本会自动从 ClinicalTrials.gov、PubMed、openFDA 拉取数据并生成汇总。

python skills/pharma-deep-research/scripts/research_pipeline.py \
  --type {drug|target|indication|company|platform} \
  --name "对象英文名" \
  --out-dir tmp/deep-research-<slug>

脚本输出：

• full_report.json — 完整结构化数据（临床试验/文献/监管/竞品）
• data_summary.md — 数据采集摘要
• 单项数据文件（clinical_trials.json、literature.json、regulatory.json、competitors.json）

脚本给的是原始数据，之后的 Step 1-4 是你的分析工作——从数据中提取洞察、构建叙事、下判断。

Step 1：补充信息收集

脚本采集的是结构化数据，但深度研究还需要：

• 行业分析师报告的观点
• 管理层在财报电话会上的表态
• 监管审评文件中的争议点
• 患者社区的真实反馈

必须联网搜索补充这些非结构化信息。信息可信度分级：

• 一手：监管公告 / 试验注册 / 公司年报 / SEC 文件
• 二手：权威期刊 / 行业媒体原创报道
• 线索：社区讨论、KOL 观点（可引用但不可做结论依据）

搜索策略详见 references/search-strategies.md。

Step 2：纵向分析（全生命周期因果链）

沿时间轴写成因果链叙事——不是年表流水账，每个节点要回答"为什么"。

按对象类型调整重点：

drug

靶点机制发现 → 为什么选这个靶点 → 临床前验证的关键转折 → 临床 I/II/III 期各阶段的设计选择和结果 → 监管审评中的争议和妥协 → 上市后的真实世界表现和适应症扩展 → 竞争反应

target

靶点发现史（谁先发现的、基于什么证据）→ 通路验证（遗传学/功能基因组学证据）→ 成药性评估（可药性口袋、选择性挑战）→ 管线竞争格局（谁在做什么、做到哪了）→ 技术路线分歧（小分子 vs 抗体 vs 其他）

indication

SoC 演进（每个时代的标准治疗是什么、为什么改变）→ 指南变化节点 → 关键证据（哪些试验改变了临床实践）→ 未满足需求（现有治疗哪里不够好）→ 新技术方向

company

战略演进（从哪起步、为什么转向）→ 管线布局逻辑 → BD/融资/并购的时间线和动机 → 关键人物的决策影响 → 竞争位置的历史成因

platform

技术代际（第几代、解决了上一代什么问题）→ 验证里程碑（哪个产品证明了这个平台）→ 工程边界（技术极限在哪）→ 竞品平台对比 → 扩展潜力

每个节点的核心是决策逻辑：为什么做这个选择、为什么不走另一条路、如果选错了后来怎么纠偏。

Step 3：横向分析（竞品证据包对比）

竞品识别方法学

从脚本输出的 competitors.json 获取候选竞品列表，然后按三层筛选：

1. 同机制竞品（相同 MoA/靶点）— 直接竞争对手，重点对比疗效和安全性差异
2. 同适应症竞品（不同 MoA，相同疾病）— 治疗格局中的替代选择，对比定位差异
3. 同阶段竞品（相同开发阶段）— 时间赛跑中的对手，对比开发策略和进度

最终选择 3-5 个代表性竞品进行深入对比，选择标准：

• 机制代表性（覆盖不同 MoA）
• 阶段代表性（已上市 vs 在研）
• 市场重要性（市场份额或预期峰值销售额）

对比维度

| 维度 | 关键指标 | 数据来源 | |------|---------|---------| | 疗效终点 | 主要终点、效应量（HR/ORR/PFS）、亚组 | CT.gov + 文献 | | 安全性 | ≥3 级 AE 发生率、黑框警示、REMS | openFDA + 文献 | | 标签 | 适应症范围、限制条件、一线/二线 | openFDA label | | 给药便利性 | 频次、剂型、是否需要监测 | label + 指南 | | 可及性 | 指南推荐级别、医保/商保准入、定价 | 指南 + 新闻 |

可比性声明（必须）

对比前先声明可比性条件：

• 研究人群是否一致（一线/后线、生物标志物筛选）
• 终点是否可比（不同试验的 ORR 定义是否一致）
• 随访时间是否足够
• 数据成熟度（是否为最终分析 vs 中期分析）

不可比就写明原因，禁止强行排名。跨试验比较（cross-trial comparison）的局限性要明确标注。

Step 4：横纵交汇洞察

这一步不是前文的缩写，是基于纵向因果链 + 横向证据包交叉产生的新判断。

4.1 历史路径如何塑造当下竞争位置

用具体决策节点解释：为什么今天 A 领先 B 落后，哪些历史选择导致了这个格局。

4.2 格局拐点识别

判断当前是否处于格局变化的拐点（如新机制验证、专利悬崖、监管政策变化），以及拐点的驱动力。

4.3 未来三剧本

每个剧本必须包含：具体情境描述 + 触发条件 + 可观察的早期信号 + 时间框架。

| 剧本 | 概率判断 | 触发条件 | 观察信号 | |------|---------|---------|---------| | Base（最可能） | ~60% | ... | 未来 90 天内可观察的 ... | | Bear（最危险） | ~20% | ... | ... | | Bull（最乐观） | ~20% | ... | ... |

Step 5：输出报告

使用 references/report-template.md 模板，全文 8000-20000 字中文报告。

模板包含完整的章节结构（含 BD 交易先例、专利/独占期时间线、估值锚点等投资者视角要素）。

写作风格

• 叙事驱动：用故事线串联数据，不是数据堆砌
• 敢下判断：有明显倾向时直接说"A 优于 B 在于..."，不要和稀泥
• 避免 AI 套话：禁用「综上所述」「赋能」「在当今时代」「值得注意的是」「不可否认」
• 搜不到就写搜不到：不确定就写不确定，标注可信度等级
• 数字先行：能用具体数字的地方不用形容词（"ORR 45%" 而不是"疗效显著"）

数据源速查

| 维度 | 推荐源 | 用途 | |------|--------|------| | 临床试验 | ClinicalTrials.gov API | 试验设计/终点/阶段/状态 | | 监管标签 | openFDA Drug Label | 适应症/黑框警示/给药方案 | | 文献 | PubMed E-utilities | 机制证据/临床结果/综述 | | 安全召回 | openFDA Enforcement | 召回记录/安全警报 | | 竞品机制 | openFDA pharm_class | 同药理分类药物发现 | | 专利/独占 | FDA Orange Book | 专利到期/市场独占期 |

详细搜索策略和查询模板见 references/search-strategies.md。