Partnerschaften
Elsevier integriert das Chemie‑Vision‑Modell von LG AI Research in Reaxys
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Elsevier und LG AI Research kündigte an am 15. September 2026, dass die von LG AI Research entwickelte chemiespezifische KI‑Vision‑Technologie nun in Elseviers Prozessen zur Inhaltsextraktion und -kuratierung für Reaxys, Elseviers Lösung zur Entdeckung von Chemie, eingesetzt wird und Substanzen, die in Patenten und wissenschaftlicher Literatur nur als Bilder, Zeichnungen und Reaktionsschemata vorkommen, durchsuchbar macht.
Die Unternehmen sagten, dass Substanzinformationen aus Bildern in Patent‑ und Zeitschrifteninhalten schneller, genauer und in größerem Umfang erfasst werden als bisher möglich. Die Arbeit verbessert Elseviers Inhaltsextraktion und wissenschaftliche Kuratierung von Substanzen, Reaktionen, Bioaktivitäten, biologischen Zielen und Substanz‑Eigenschaften für Reaxys.
Warum bildbasierte Chemie schwer zu durchsuchen ist
Ein Großteil der Substanz‑ und Reaktionsinformationen, auf die Chemiker angewiesen sind, wird laut Ankündigung über Abbildungen, Zeichnungen und Reaktionsschemata vermittelt und nicht über durchsuchbaren Text. Wenn diese Chemie nicht durchsuchbar ist, müssen Forschende häufig Dokumente manuell prüfen, um festzustellen, ob eine Verbindung oder Reaktion bereits beschrieben wurde. Chemische Zeichnungen codieren Bedeutungen durch Bindungen, Atome, Stereochemie und räumliche Beziehungen, sodass ein Modell, das eine Bindung falsch interpretiert, die falsche Verbindung identifizieren kann, während ein Modell, das eine Struktur übersieht, den Chemikern ein unvollständiges Bild liefert. Diese Herausforderung ist besonders ausgeprägt in Bereichen wie der Neuheitensuche, der Wettbewerbsintelligenz und der Syntheseplanung sowie in der anorganischen und organometallischen Chemie, wo komplexe Strukturen schwerer zu extrahieren und zu indexieren sind.
Das MolMole‑Modell und seine berichteten Benchmarks
Die Technologie kombiniert Molekülerkennung, das Parsen von Reaktionsdiagrammen und die optische chemische Strukturerkennung (OCSR) in einem einzigen Modell, und LG AI Researchs veröffentlichte Benchmark‑Berichte zeigen, dass es Alternativen bei der Extraktion von Chemie aus einer vollständigen Dokumentenseite übertrifft. Ein Beitrag vom 7. Mai 2025 auf dem Forschungsblog von LG AI Research identifiziert das Modell als MolMole, das im Rahmen des Deep Document Understanding‑Programms der Gruppe entwickelt wurde und darauf abzielt, KI zu schaffen, die Text, Grafiken und Tabellen in allgemeinen Dokumenten sowie molekulare Strukturformeln und Reaktionsformeln in chemischen Fachartikeln und Patenten interpretieren kann.
MolMole verarbeitet vollständige PDF‑Dokumente als Eingabe, anstatt zugeschnittene Bilder zu benötigen, und liefert erkannte chemische Daten aus einem Dokument auf einmal, so der Blog‑Beitrag. Das Modell besteht aus drei Modulen. ViDetect erkennt molekulare Strukturregionen in PDF‑Seiten und markiert sie mit Begrenzungsrahmen. ViReact identifiziert die Positionen von Reaktanten, Reaktionsbedingungen und Produkten in Reaktionsdiagrammen und klassifiziert jede Region. ViMore wandelt erkannte Strukturen in standardisierte chemische Darstellungen um, darunter SMILES, InChI und Mol‑Formate, und verwendet spezialisierte Techniken für verrauschte, gescannte Patentseiten.
LG AI Research berichtet, dass ViMore auf drei der vier Standard‑OCSR‑Benchmarks (CLEF, JPO, UOB und USPTO) Spitzenleistungen erzielt hat und die Modelle DECIMER Image Transformer, MolScribe und MolGrapher übertrifft, wobei es insbesondere beim JPO‑Datensatz, einem anspruchsvollen, überwiegend niedrigauflösenden Bilddatensatz aus japanischen Patentdokumenten, die anderen Modelle übertrifft. In LGs eigenem Benchmark, der 300 Patentseiten und 250 Fachartikel separat bewertet, um deren unterschiedliche Eigenschaften zu berücksichtigen, übertraf die kombinierte ViDetect‑ und ViMore‑Pipeline die Modelle Decimer Segmentation und Image Transformer sowie MolDetect und MolScribe hinsichtlich Präzision und Recall, und ViReact übertraf ReactionDataExtractor2.0 und RxnScribe.
Die zugrundeliegende Arbeit, die bei arXiv veröffentlicht wurde wurde erstmals am 30. April 2025 eingereicht und am 8. Mai 2025 überarbeitet. Sie beschreibt MolMole als ein vision‑basiertes Deep‑Learning‑Framework, das Molekülerkennung, das Parsen von Reaktionsdiagrammen und OCSR zu einer einzigen Pipeline zur Extraktion chemischer Daten direkt aus dokumenten‑ebenen PDFs vereint. Da ein standardisierter Benchmark und ein Evaluationsmaßstab für Dokumenten‑Ebene fehlt, stellen die Autoren zudem einen 550‑seitigen Testdatensatz bereit, der Molekül‑Begrenzungsrahmen, Reaktionslabel und MOL‑Files annotiert, führen ein neues Evaluationsmaß ein und berichten, dass MolMole bestehende Toolkits sowohl in ihrem Benchmark als auch in öffentlichen Datensätzen übertrifft.
Im Rahmen von Elseviers Arbeitsablauf wird jede Extraktionspipeline vor dem Live‑Schalten gegen bestehende Reaxys‑Benchmarks validiert, und die gesamte Pipeline durchlief laut Ankündigung eine Testphase mit Elseviers Daten und Workflow‑Tools, bevor sie breiter eingesetzt wurde.
Erklärungen der Führungskräfte und nächste Schritte
Mirit Eldor, Geschäftsführer, Life Sciences bei Elsevier, sagte, die Partnerschaft gebe Chemikern Zeit zurück, indem mehr Chemie aus Abbildungen herausgezogen und als kuratierte, durchsuchbare Evidenz in Reaxys integriert werde. „Eine in einer Abbildung vergrabene Struktur sollte Evidenz sein und keine Sackgasse“, sagte sie.
Hwayoung Edward Lee, Leiter der AI Biz Transformation Unit bei LG AI Research, sagte, das Modell sei darauf ausgelegt, komplexe visuelle chemische Darstellungen zu entschlüsseln, bei denen jede Bindung und räumliche Anordnung Bedeutung hat, und dass die Integration mit Elsevier rohe visuelle Daten in strukturiertes Wissen für Forschende umwandelt.
Die Organisationen sagten, dass die Extraktion von Reaktionen die nächste Phase der Zusammenarbeit sei, die bildbasierte Extraktion über einzelne Substanzen hinaus ausdehne, um die über Reaxys verfügbare Reaktionsnachweis‑Basis zu erweitern. Sie prüfen zudem weitere Kundenherausforderungen, die gemeinsam angegangen werden sollen, indem die spezialisierten KI‑Fähigkeiten von LG AI Research mit Elseviers Chemie‑Inhalten, wissenschaftlicher Expertise und Kuratierung kombiniert werden. Die Arbeit folgt den Responsible AI Principles und den Privacy Principles von Elsevier, so die Unternehmen.
