Elsevier integrerer LG AI Researchs Chemistry Vision Model i Reaxys

Elsevier og LG AI Research annoncerede den 15. september 2026, at den kemispecifikke AI‑visions‑teknologi, som er udviklet af LG AI Research, nu anvendes i Elseviers processer for indholdsudtræk og kuratering til Reaxys, Elseviers løsning til opdagelse inden for kemi, så stoffer, der kun forekommer som billeder, tegninger og reaktionsskemaer i patenter og videnskabelig litteratur, kan søges.

Virksomhederne sagde, at stofinformation fra billeder i patent‑ og tidsskriftindhold indfanges hurtigere, mere præcist og i større skala end tidligere muligt. Arbejdet forbedrer Elseviers indholdsudtræk og videnskabelige kuratering af stoffer, reaktioner, bioaktiviteter, biologiske mål og stofegenskaber for Reaxys.

Hvorfor billedbaseret kemi har været svær at søge efter

Ifølge meddelelsen kommunikeres en stor del af den stof‑ og reaktionsinformation, som kemikere er afhængige af, gennem figurer, tegninger og reaktionsskemaer i stedet for søgbart tekst. Når denne kemi ikke kan søges, må forskere ofte gennemgå dokumenter manuelt for at bekræfte, om et stof eller en reaktion allerede er beskrevet. Kemiske tegninger indkoder betydning via bindinger, atomer, stereokemi og rumlige relationer, så en model, der misfortolker en binding, kan identificere et forkert stof, mens en model, der overser en struktur, efterlader kemikere med et ufuldstændigt billede. Denne udfordring er mest udtalt inden for områder som nyhedssøgning, konkurrenceintelligens og synteseplanlægning samt inden for uorganisk og organometallisk kemi, hvor komplekse strukturer er sværere at udtrække og indeksere.

MolMole‑modellen og dens rapporterede benchmark‑resultater

Teknologien kombinerer molekyle‑detektion, parsing af reaktionsdiagrammer og optisk kemisk strukturgenkendelse (OCSR) i en enkelt model, og LG AI Researchs offentliggjorte benchmark‑rapporter viser, at den overgår alternativer ved udtræk af kemi fra en hel dokumentside. Et 7. maj 2025‑indlæg på LG AI Researchs forskningsblog identificerer modellen som MolMole, udviklet under gruppens Deep Document Understanding‑program, som har til formål at bygge AI, der kan fortolke tekst, grafer og tabeller i generelle dokumenter såvel som molekylære strukturfomler og reaktionsformler i kemiske artikler og patenter.

MolMole tager hele PDF‑dokumenter som input i stedet for at kræve beskårne billeder og returnerer genkendt kemisk data fra et dokument på én gang, ifølge blogindlægget. Modellen består af tre moduler. ViDetect registrerer molekylære strukturelle områder inden for PDF‑sider og markerer dem med afgrænsningsbokse. ViReact identificerer positionerne for reaktanter, reaktionsbetingelser og produkter inden for reaktionsdiagrammer og klassificerer hver region. ViMore konverterer genkendte strukturer til standardkemiske repræsentationer, herunder SMILES, InChI og Mol‑formater, med specialiserede teknikker til støjende, scannede patentsider.

LG AI Research rapporterer, at ViMore opnåede banebrydende resultater på tre af de fire standard‑OCSR‑benchmarks (CLEF, JPO, UOB og USPTO) og overgik DECIMER Image Transformer, MolScribe og MolGrapher, og at det især overgik de andre modeller på JPO, et udfordrende, primært lav‑opløsnings‑datasæt af billeder udtrukket fra japanske patentdokumenter. På LG’s egen benchmark, som evaluerer 300 patentsider og 250 papirsider separat for at afspejle deres forskellige karakteristika, overgik den kombinerede ViDetect‑og‑ViMore‑pipeline Decimer Segmentation og Image Transformer samt MolDetect og MolScribe på præcision og recall, og ViReact overgik ReactionDataExtractor2.0 og RxnScribe.

underliggende papir, postet på arXiv blev første gang indsendt den 30. april 2025 og revideret den 8. maj 2025. Den beskriver MolMole som en visionsbaseret dyb‑lærings‑ramme, der forener molekyle‑detektion, parsing af reaktionsdiagrammer og OCSR i en enkelt pipeline til udtræk af kemisk data direkte fra side‑niveau dokumenter. For at påpege manglen på et standardiseret side‑niveau benchmark og evalueringsmetrik præsenterer forfatterne også et 550‑sidet test‑sæt annoteret med molekyle‑afgrænsningsbokse, reaktionsetiketter og MOL‑filer, sammen med en ny evalueringsmetrik, og rapporterer, at MolMole overgår eksisterende værktøjssæt både på deres benchmark og på offentlige datasæt.

Inden for Elseviers arbejdsgang valideres hver udtræknings‑pipeline mod eksisterende Reaxys‑benchmark‑sæt, før den går i drift, og den fulde pipeline gennemgik en testperiode på tværs af Elseviers data‑ og arbejdsflow‑værktøjer inden bredere anvendelse, ifølge meddelelsen.

Ledelsesudtalelser og næste faser

Mirit Eldor, Managing Director, Life Sciences hos Elsevier, sagde, at partnerskabet giver kemikere tid tilbage ved at flytte mere kemi ud af figurer og ind i Reaxys som kurateret, søgbart bevis. »En struktur begravet i en figur bør være bevis snarere end en blindgyde,« sagde hun.

Hwayoung Edward Lee, leder af AI Biz Transformation‑enheden hos LG AI Research, sagde, at modellen er designet til at afkode komplekse visuelle kemiske repræsentationer, hvor hver binding og rumlig opbygning har betydning, og at integrationen med Elsevier omdanner rå visuelle data til struktureret viden for forskere.

Organisationerne sagde, at reaktionsudtrækning er næste fase i samarbejdet, som udvider billedbaseret udtrækning ud over enkelte stoffer for at udvide de reaktionsbeviser, der er tilgængelige via Reaxys. De undersøger også yderligere kundebehov, de kan tackle sammen, ved at kombinere LG AI Researchs specialiserede AI‑kapaciteter med Elseviers kemiske indhold, videnskabelige ekspertise og kuratering. Arbejdet følger Elseviers principper for ansvarlig AI og privatlivsprincipper, sagde virksomhederne.