Elsevier інтегрує модель хімічного зору LG AI Research у Reaxys

Elsevier і LG AI Research оголосили 15 вересня 2026 року, що технологія штучного інтелекту для хімічного зору, розроблена LG AI Research, тепер використовується у процесах вилучення та кураторства контенту Elsevier для Reaxys, рішення Elsevier у галузі відкриття хімії, роблячи речовини, які з’являються лише як зображення, креслення та схеми реакцій у патентах і науковій літературі, доступними для пошуку.

Компанії зазначили, що інформація про речовини з зображень у патентному та журналному контенті захоплюється швидше, точніше та у більшому масштабі, ніж раніше. Ця робота покращує вилучення контенту Elsevier та наукове кураторство речовин, реакцій, біоактивностей, біологічних мішеней та властивостей речовин для Reaxys.

Чому хімія, закріплена у зображеннях, важко піддається пошуку

Згідно з оголошенням, велика частина інформації про речовини та реакції, на яку покладаються хіміки, передається за допомогою рисунків, креслень та схем реакцій, а не у вигляді тексту, що підлягає пошуку. Коли така хімія недоступна для пошуку, дослідники змушені вручну переглядати документи, щоб підтвердити, чи вже описано певну сполуку або реакцію. Хімічні креслення кодують значення через зв’язки, атоми, стереохімію та просторові взаємозв’язки, тому модель, яка неправильно розпізнає зв’язок, може ідентифікувати неправильну сполуку, а модель, що пропускає структуру, залишає хіміків з неповною картиною. Ця проблема особливо актуальна у таких сферах, як пошук новизни, конкурентна розвідка та планування синтезу, а також у неорганічній та органометалевій хімії, де складні структури важче вилучити та індексувати.

Модель MolMole та її заявлені еталонні показники

Технологія поєднує виявлення молекул, розбір діаграм реакцій та оптичне розпізнавання хімічних структур (OCSR) в одній моделі, а публікації LG AI Research про еталонні випробування демонструють її перевагу над альтернативами у вилученні хімії з повної сторінки документа. пост від 7 травня 2025 року у дослідницькому блозі LG AI Research ідентифікує модель як MolMole, розроблену в рамках програми Deep Document Understanding групи, яка має на меті створити ШІ, здатний інтерпретувати текст, графіки та таблиці у загальних документах, а також молекулярні структурні формули та формули реакцій у хімічних статтях і патентах.

MolMole приймає повні PDF‑документи як вхідні дані, а не вимагає обрізаних зображень, і одразу повертає розпізнані хімічні дані з документа, згідно з дописом у блозі. Модель складається з трьох модулів. ViDetect виявляє області молекулярних структур на сторінках PDF і позначає їх обмежувальними рамками. ViReact визначає позиції реагентів, умов реакції та продуктів у діаграмах реакцій і класифікує кожну область. ViMore перетворює розпізнані структури у стандартні хімічні представлення, включаючи SMILES, InChI та формати Mol, використовуючи спеціалізовані методи для шумних, сканованих патентних сторінок.

LG AI Research повідомляє, що ViMore досягло передових результатів у трьох із чотирьох стандартних еталонних тестів OCSR (CLEF, JPO, UOB та USPTO), перевершуючи DECIMER Image Transformer, MolScribe та MolGrapher, і особливо випереджало інші моделі у JPO — складному, переважно низькороздільному наборі даних зображень, отриманих з японських патентних документів. У власному еталонному тесті LG, який оцінює 300 патентних сторінок і 250 сторінок статей окремо, щоб відобразити їх різні характеристики, комбінований конвеєр ViDetect і ViMore перевищив Decimer Segmentation і Image Transformer, а також MolDetect і MolScribe за точністю та повнотою, а ViReact випередив ReactionDataExtractor2.0 та RxnScribe.

основна стаття, розміщена на arXiv була вперше подана 30 квітня 2025 року та переглянута 8 травня 2025 року. Вона описує MolMole як глибоку навчальну структуру на основі зору, що об’єднує виявлення молекул, розбір діаграм реакцій та OCSR в єдиному конвеєрі для вилучення хімічних даних безпосередньо з документів рівня сторінки. Посилаючись на відсутність стандартного еталонного тесту на рівні сторінки та метрики оцінки, автори також представляють тестовий набір у 550 сторінок, анотований рамками молекул, мітками реакцій та MOL‑files, разом із новою метрикою оцінки, і повідомляють, що MolMole перевершує існуючі інструментарії як у їхньому еталонному тесті, так і у публічних наборах даних.

У межах робочого процесу Elsevier кожен конвеєр вилучення перевіряється проти існуючих еталонних тестів Reaxys перед запуском у продакшн, і повний конвеєр пройшов період тестування з використанням даних та інструментів робочого процесу Elsevier перед широким впровадженням, згідно з оголошенням.

Заяви керівництва та наступні етапи

Mirit Eldor, керуючий директор з Life Sciences у Elsevier, заявила, що партнерство повертає хімікам час, переміщуючи більше хімії з рисунків у Reaxys як кураторовані, доступні для пошуку докази. «Структура, захована у рисунку, має бути доказом, а не глухим кутом», — сказала вона.

Hwayoung Edward Lee, керівник підрозділу AI Biz Transformation Unit у LG AI Research, зазначив, що модель була створена для розшифровки складних візуальних хімічних представлень, у яких кожен зв’язок і просторове розташування мають значення, і що інтеграція з Elsevier перетворює необроблені візуальні дані у структуровані знання для дослідників.

Організації заявили, що вилучення реакцій є наступним етапом співпраці, розширюючи екстракцію на основі зображень поза межі окремих речовин, щоб збільшити кількість реакційних даних, доступних через Reaxys. Вони також досліджують інші виклики клієнтів, які можна вирішити спільно, поєднуючи спеціалізовані можливості ШІ LG AI Research з хімічним контентом, науковою експертизою та куруванням Elsevier. За словами компаній, робота відповідає принципам Responsible AI Principles та Privacy Principles компанії Elsevier.