Elsevier интегрирует модель химического зрения LG AI Research в Reaxys

Elsevier и LG AI Research объявили 15 сентября 2026, что разработанная LG AI Research технология ИИ‑видения, специфичная для химии, теперь используется в процессах извлечения и курирования контента Elsevier для Reaxys, решения Elsevier по поиску химических данных, делая вещества, представленные только в виде изображений, чертежей и схем реакций в патентах и научной литературе, доступными для поиска.

Компании заявили, что информация о веществах из изображений в патентных и журнальных материалах фиксируется быстрее, точнее и в большем масштабе, чем было возможно ранее. Эта работа улучшает извлечение контента Elsevier и научную курировку веществ, реакций, биоактивностей, биологических мишеней и свойств веществ для Reaxys.

Почему химия, представляемая в виде изображений, трудно искать

Согласно объявлению, большая часть информации о веществах и реакциях, на которую полагаются химики, передаётся через рисунки, схемы и схемы реакций, а не через индексируемый текст. Когда такая химия недоступна для поиска, исследователи вынуждены вручную проверять документы, чтобы убедиться, описано ли уже данное соединение или реакция. Химические чертежи передают смысл через связи, атомы, стереохимию и пространственные отношения, поэтому модель, ошибочно читающая связь, может определить неверное соединение, а модель, пропускающая структуру, оставит химика с неполной картиной. Эта проблема наиболее остра в таких областях, как поиск новизны, конкурентная разведка и планирование синтеза, а также в неорганической и органометаллической химии, где сложные структуры труднее извлекать и индексировать.

Модель MolMole и её заявленные показатели

Технология объединяет обнаружение молекул, разбор схем реакций и оптическое распознавание химических структур (OCSR) в одной модели, а опубликованные LG AI Research отчёты о тестировании показывают, что она превосходит альтернативы в извлечении химии с полной страницы документа. Пост от 7 мая 2025 года в исследовательском блоге LG AI Research идентифицирует модель как MolMole, разработанную в рамках программы Deep Document Understanding, цель которой — создать ИИ, способный интерпретировать текст, графики и таблицы в общих документах, а также молекулярные структурные формулы и формулы реакций в химических статьях и патентах.

MolMole принимает в качестве входных данных полные PDF‑документы, а не отдельные обрезанные изображения, и сразу возвращает распознанные химические данные из документа, согласно блогу. Модель состоит из трёх модулей. ViDetect обнаруживает области молекулярных структур на страницах PDF и отмечает их ограничивающими рамками. ViReact определяет позиции реагентов, условий реакций и продуктов в схемах реакций и классифицирует каждую область. ViMore преобразует распознанные структуры в стандартные химические представления, включая SMILES, InChI и форматы Mol, используя специализированные методы для шумных, сканированных патентных страниц.

LG AI Research сообщает, что ViMore достигла передовых результатов по трём из четырёх стандартных OCSR‑бенчмарков (CLEF, JPO, UOB и USPTO), превзойдя DECIMER Image Transformer, MolScribe и MolGrapher, и особенно превзошла другие модели по набору JPO — сложному, преимущественно низкоразрешённому набору изображений, извлечённых из японских патентных документов. По собственному бенчмарку LG, который отдельно оценивает 300 патентных страниц и 250 страниц статей, комбинированный конвейер ViDetect и ViMore превзошёл Decimer Segmentation и Image Transformer, а также MolDetect и MolScribe по точности и полноте, а ViReact превзошёл ReactionDataExtractor2.0 и RxnScribe.

Исходная статья, размещённая в arXiv была впервые представлена 30 апреля 2025 года и пересмотрена 8 мая 2025 года. В ней MolMole описывается как основанная на зрении глубинная обучающаяся система, объединяющая обнаружение молекул, разбор схем реакций и OCSR в едином конвейере для извлечения химических данных непосредственно из документов уровня страниц. Ссылаясь на отсутствие стандартного бенчмарка и метрики оценки уровня страниц, авторы также представляют тестовый набор из 550 страниц, аннотированный ограничивающими рамками молекул, метками реакций и MOL‑файлами, вместе с новой метрикой оценки, и сообщают, что MolMole превосходит существующие инструментарии как по их бенчмарку, так и по публичным наборам данных.

В рамках рабочего процесса Elsevier каждый конвейер извлечения проходит проверку по существующим бенчмаркам Reaxys перед запуском, а полный конвейер прошёл испытательный период с использованием данных и инструментов Elsevier перед более широким применением, согласно объявлению.

Заявления руководителей и дальнейшие этапы

Мирит Элдор, управляющий директор по наукам о жизни в Elsevier, заявила, что партнёрство возвращает химикам время, переводя большую часть химии из изображений в Reaxys в виде курируемых, доступных для поиска доказательств. “Структура, скрытая в рисунке, должна быть доказательством, а не тупиком”, — сказала она.

Хваёнг Эдвард Ли, руководитель подразделения AI Biz Transformation в LG AI Research, отметил, что модель разработана для декодирования сложных визуальных химических представлений, где каждая связь и пространственное расположение несут смысл, и что интеграция с Elsevier преобразует необработанные визуальные данные в структурированные знания для исследователей.

Организации заявили, что извлечение реакций является следующим этапом сотрудничества, расширяя извлечение на основе изображений за пределы отдельных веществ, чтобы увеличить объём данных о реакциях, доступных через Reaxys. Они также изучают дополнительные задачи клиентов, которые можно решить совместно, сочетая специализированные возможности ИИ LG AI Research с химическим контентом Elsevier, научной экспертизой и кураторством. По словам компаний, работа соответствует Принципам ответственного ИИ и Принципам конфиденциальности Elsevier.