Elsevier integra o modelo de visão química da LG AI Research ao Reaxys

Elsevier e LG AI Research anunciou em 15 de setembro de 2026 que a tecnologia de visão de IA específica para química desenvolvida pela LG AI Research está agora sendo usada nos processos de extração e curadoria de conteúdo da Elsevier para o Reaxys, a solução de descoberta química da Elsevier, tornando substâncias que aparecem apenas como imagens, desenhos e esquemas de reação em patentes e literatura científica pesquisáveis.

As empresas disseram que as informações de substâncias a partir de imagens em conteúdo de patentes e periódicos são capturadas mais rapidamente, com maior precisão e em escala maior do que antes era possível. O trabalho aprimora a extração de conteúdo e a curadoria científica de substâncias, reações, bioatividades, alvos biológicos e propriedades de substâncias da Elsevier para o Reaxys.

Por que a química contida em imagens tem sido difícil de pesquisar

Grande parte das informações de substâncias e reações nas quais os químicos confiam é comunicada por meio de figuras, desenhos e esquemas de reação, em vez de texto pesquisável, conforme o anúncio. Quando essa química não pode ser pesquisada, os pesquisadores podem precisar verificar os documentos manualmente para confirmar se um composto ou reação já foi descrito. Os desenhos químicos codificam significado por meio de ligações, átomos, estereoisomeria e relações espaciais, de modo que um modelo que interpreta incorretamente uma ligação pode identificar o composto errado, enquanto um que deixa de reconhecer uma estrutura deixa os químicos com uma visão incompleta. Esse desafio é mais agudo em áreas como busca de novidade, inteligência competitiva e planejamento de síntese, bem como em química inorgânica e organometálica, onde estruturas complexas são mais difíceis de extrair e indexar.

O modelo MolMole e seus benchmarks reportados

A tecnologia combina detecção de moléculas, análise de diagramas de reação e reconhecimento óptico de estruturas químicas (OCSR) em um único modelo, e os relatórios de benchmark publicados pela LG AI Research indicam que ele supera alternativas na extração de química de uma página completa de documento. Uma publicação de 7 de maio de 2025 no blog de pesquisa da LG AI Research identifica o modelo como MolMole, desenvolvido sob o programa Deep Document Understanding do grupo, que tem como objetivo criar IA capaz de interpretar texto, gráficos e tabelas em documentos gerais, bem como fórmulas estruturais moleculares e fórmulas de reação em artigos e patentes químicas.

O MolMole aceita documentos PDF completos como entrada, em vez de exigir imagens recortadas, e devolve os dados químicos reconhecidos de um documento de uma só vez, segundo o post do blog. O modelo consiste em três módulos. O ViDetect detecta regiões de estruturas moleculares nas páginas PDF e as marca com caixas delimitadoras. O ViReact identifica as posições de reagentes, condições de reação e produtos dentro dos diagramas de reação e classifica cada região. O ViMore converte as estruturas reconhecidas em representações químicas padrão, incluindo SMILES, InChI e formatos Mol, com técnicas especializadas para páginas de patentes escaneadas e ruidosas.

A LG AI Research relata que o ViMore alcançou resultados de ponta em três dos quatro benchmarks padrão de OCSR (CLEF, JPO, UOB e USPTO), superando o DECIMER Image Transformer, MolScribe e MolGrapher, e que se destacou particularmente no JPO, um conjunto de dados desafiador, predominantemente de baixa resolução, de imagens extraídas de documentos de patentes japonesas. No benchmark próprio da LG, que avalia 300 páginas de patentes e 250 páginas de artigos separadamente para refletir suas diferentes características, o pipeline combinado ViDetect e ViMore superou o Decimer Segmentation e Image Transformer e o MolDetect e MolScribe em precisão e recall, e o ViReact superou o ReactionDataExtractor2.0 e o RxnScribe.

O artigo subjacente, publicado no arXiv foi submetido inicialmente em 30 de abril de 2025 e revisado em 8 de maio de 2025. Ele descreve o MolMole como uma estrutura de aprendizado profundo baseada em visão que unifica a detecção de moléculas, a análise de diagramas de reação e o OCSR em um único pipeline para extrair dados químicos diretamente de documentos em nível de página. Citando a falta de um benchmark padrão em nível de página e de uma métrica de avaliação, os autores também apresentam um conjunto de teste de 550 páginas anotado com caixas delimitadoras de moléculas, rótulos de reação e arquivos MOL, juntamente com uma nova métrica de avaliação, e relatam que o MolMole supera as ferramentas existentes tanto em seu benchmark quanto em conjuntos de dados públicos.

No fluxo de trabalho da Elsevier, cada pipeline de extração é validado contra os benchmarks existentes do Reaxys antes de entrar em produção, e o pipeline completo passou por um período de testes em dados e ferramentas de workflow da Elsevier antes de seu uso mais amplo, conforme o anúncio.

Declarações Executivas e Próximas Etapas

Mirit Eldor, Diretora Executiva de Ciências da Vida na Elsevier, afirmou que a parceria devolve tempo aos químicos ao transferir mais química das figuras para o Reaxys como evidência curada e pesquisável. “Uma estrutura enterrada em uma figura deve ser evidência, não um beco sem saída”, disse ela.

Hwayoung Edward Lee, líder da Unidade de Transformação de Negócios de IA na LG AI Research, disse que o modelo foi projetado para decodificar representações químicas visuais complexas, nas quais cada ligação e disposição espacial têm significado, e que a integração com a Elsevier converte dados visuais brutos em conhecimento estruturado para os pesquisadores.

As organizações disseram que a extração de reações é a próxima fase da colaboração, estendendo a extração baseada em imagens além de substâncias individuais para ampliar as evidências de reações disponíveis através do Reaxys. Eles também estão explorando desafios adicionais dos clientes para enfrentar juntos, combinando as capacidades especializadas de IA da LG AI Research com o conteúdo de química, a expertise científica e a curadoria da Elsevier. O trabalho segue os Princípios de IA Responsável e os Princípios de Privacidade da Elsevier, disseram as empresas.