这类任务难在哪
三个容易被低估的坑一、单位与量纲不统一
活性浓度常用 nM、µM、µg·mL⁻¹ 等多种单位表达，同一篇文献内部也可能混用。从质量浓度换算到摩尔浓度需要分子量，而分子量往往要去另一张表或另一篇文献里找——链条一断，数值就悬空了。
如果只把数字抽走、不留原始单位和换算依据，这批数据在下游基本无法复核。
二、指标类型被混为一谈
IC50、EC50、Ki、Kd 不是同一个量，测定原理和适用场景都不同。把它们统一成一个「活性值」，看似整洁，实则让模型学到一个混合了多种物理含义的目标，训练出的结果难以解释。
三、试验条件决定可比性
同样一个 IC50，在细胞系、温度、孵育时间、底物浓度不同的两组实验之间并不可比。条件缺失时，这个数值依然是「真」的，但没有比较意义。
所以结构化时必须把条件一起带上：数值 + 单位 + 指标类型 + 试验对象 + 试验条件，少任何一项，这个数据点在下游都要打折扣。
还有一个更隐蔽的问题
图表里的活性数据。曲线拟合得到的点位需要人工核对，而图像分辨率本身限制了精度上限。这类数据不是不能提，而是必须与正文表格里的明确数值区分对待。
我们处理的范围
按数据形态与字段划分- 测试物质与其标识（名称、研发代码、缩写）
- 活性指标类型：IC50 / EC50 / Ki / Kd / MIC 等
- 原始数值与原始单位，含范围值与不等式（>、<）
- 换算数值与换算依据
- 试验对象：靶点、细胞系、菌株、动物模型
- 试验方法类型与关键条件参数
- 结论性描述与数值的对应关系
- 出处定位：文献、专利或实验记录的页码与表格号
表格形态、正文叙述形态与图表形态都能处理，但三者的处理路径不同：表格按列映射做结构化，正文叙述需要先识别「物质—指标—数值—条件」的句子结构，图表则要走人工核对流程。
交付流程
四步一线 · 全程留痕交付物
拿到的不是一份标注结果- 结构化数据集：JSON / CSV / Excel，字段与 Schema 一一对应；可关联化合物 SMILES / InChI 标识
- 标注规范文档：字段定义、边界案例、验收标准
- 质检报告：抽检比例、错误分类、返修记录
- 溯源日志：每条数据对应出处位置、标注人、修改时间
相关案例
真实交付场景测试物质、活性指标、数值单位、试验对象与方法的结构化抽取，覆盖医药研发领域的专利与文献数据。
PK/PD表格抽取单位归一常见问题
合作前常被问到的问题同一批数据里单位不统一，怎么处理？
原始数值与原始单位原样保留，换算后的数值另立字段，并记录换算依据（例如所用的分子量及其来源）。不覆盖原始值，下游可以自行复核换算是否正确。
IC50、EC50、Ki、Kd 会分开标注吗？
会。指标类型是独立字段，不与数值混在一起。这几个量含义不同、不可互换，混用会让下游模型学到错误的目标，因此我们不做「统一成一个活性值」的归一。
缺少试验条件的活性值怎么办？
照实记录为条件不完整，不做补全。细胞系、温度、孵育时间等条件缺失时，该数值失去可比性——标注出来，比填补一个看起来合理的值更有价值。
图表里的数据能提取吗？
可以，但精度受图像分辨率限制。这类结果会带置信标记并由人工复核，不会与正文表格中的明确数值按同一标准处理。
输出是什么格式？
以 JSON / CSV / Excel 交付，字段与共建的 Schema 一一对应；涉及化合物时关联 SMILES / InChI 标识，便于与结构数据合并使用。