MarkushGlyph and OCSRGlyph: Improved Chemical Structure Recognition

技術要約：MarkushGlyph および OCSRGlyph

問題提起
特許や学術文献における化学構造式は、主に画像として伝達されており、これらは化学者には読み取れるものの、プログラムによる利用（データベースのインデックス作成や機械学習のトレーニングなど）には不向きである。単一分子の画像から機械判読可能な行表記（通常はSMILESまたはCXSMILES）への変換は、単一分子に対しては「光学化学構造認識（OCSR）」、マーカス構造（Markush structure）に対しては「マーカス構造翻訳」として知られている。OCSRは成熟が進んでいる一方で、マーカス構造の解析は、変異部位、制約、および各特許庁による多様な描画慣習を解決する必要があるため、依然として困難な課題となっている。さらに、既存のマーカス構造の評価指標は、誤った特徴の追加やラベルの転置をペナルティとして課さないことが多く、精度のスコアが過大に評価される傾向がある。

手法
著者らは、OCSRとマーカス翻訳の両方を、テキスト、レイアウト、画像を個別に処理するマルチステージのパイプラインに頼るのではなく、単一のモデルで扱う画像・テキスト変換問題として定義している。

1. OCSRGlyph（単一分子認識）:

   • アーキテクチャ: 標準的な画像・シーケンス変換モデルを使用。Swin-B Transformerエンコーダ（解像度384ピクセル、ImageNetで初期化）と6層のTransformerデコーダを採用している。
   • 学習戦略: 厳選されたPubChem-1MおよびUSPTO-680Kの混合データセットを用いて学習を行う。決定的な要素として、著者らは立体化学の課題に対処するため、学習中にキラル分子（Stereo-200Kおよび隣接環サブセット）をオーバーサンプリングしている。これにより、非キラル分子の性能を低下させることなく、立体化学の精度を向上させている。
   • 出力: 標準的なカノニカルSMILES文字列を生成する。

2. MarkushGlyph（マーカス構造認識）:

   • アーキテクチャ: Qwen3.5-2B-Baseに基づく視覚言語モデル（VLM）であり、クロップされた画像とテキストプロンプトを単一のネットワークで共同処理する早期融合（early-fusion）アプローチを利用している。効率的なファインチューニングのために低ランク適応（LoRA）を採用している。
   • 入力/出力: 個別のOCRフロントエンドを使用することなく、印刷されたテキスト、R基ラベル、およびブラケットを含む構造画像全体を受け取る。出力は、ラベルが原子にインラインで含まれる最適化されたCXSMILES形式（cxsmiles_opt）のレコードであり、コア構造とあらゆる置換基の定義を含むXMLタグでラップされている。
   • 統合学習: 入力タイプに関する事前知識なしに、単一分子とマーカス構造の両方を扱うため、通常の分子を（空の変数フィールドを持つ）特殊なケースとして扱う混合データセットを用いて学習を行っている。

主な貢献

• OCSRGlyph: データキュレーションを通じて立体化学に特化することで、USPTOベンチマークにおいて93.8%の完全一致精度を達成した、最先端のOCSRモデル。
• MarkushGlyph: 画像とテキストプロンプトを単一のネットワークで共同処理する、シングルステージの視覚言語モデル。従来のマルチステージ・パイプライン（MarkuchGrapher-2など）を、3つの標準的なマーカスベンチマーク（IP5-M、M2S、USPTO-M）のすべてにおいて上回る。これは、個別のテキスト抽出およびレイアウト解析ステージを不要にするものである。
• 厳密なパースドグラフ等価性指標（Strict Parsed-Graph Equality Metric）: 既存の指標における失敗モードに対処する新しい評価指標を導入した。必要な特徴の存在のみを確認する従来の手法とは異なり、この指標は、R基の割り当て、結合位置、繰り返し単位、およびフラグメントの対応関係を保持しつつ、予測と参照との間の厳密なグラフ同型性を要求する。
• 統一的アプローチ: OCSRはマーカス翻訳の特殊なケースとして扱えることを示し、単一のモデルで両方のタイプの化学構造を効果的に解析できることを実証した。

結果

• OCSRの性能: OCSRGlyphは、USPTOベンチマーク（5,719画像）において93.8%のカノニカル完全一致精度を達成し、従来の最先端モデル（MolSight）を1.8パーセントポイント上回った。また、「キラル保持（chirality-kept）」の慣習下では93.9%の精度を達成している。
• マーカス性能: MarkushGlyphは、標準的なMarkushGrapher-2スコアおよび新しい厳密なパースドグラフ等価性指標の両方において、3つのベンチマークすべてでMarkushGrapher-2および他のベースラインを上回った。
  • IP5-M（878例）において、MarkushGlyphは標準スコアで60.6%（多数決）、厳密な等価性において54.7%を達成。
  • M2S（103例）において、標準で62.1%、厳密な等価性で64.1%に到達。
  • USPTO-Markush（74例）において、標準で63.5%、厳密な等価性で56.8%に到達。
• アブレーション研究: OCSRのサンプルをマーカス学習セットに加えることで、マーカス認識能力を大幅に低下させることなく、OCSRの性能が大幅に向上することを示している。

意義と主張
本論文は、これらの結果が、単一の分子と複雑なマーカスファミリーの両方を画像から翻訳できる統一モデルへの一歩であることを主張している。著者らは、高性能が、事前学習済みバックボーンの活用、シングルステージ学習、および注意深いデータサンプリングといった、比較的シンプルな戦略によって達成されたことを強調している。

本研究は、以下の2つの具体的な限界を明らかにしている：

1. MarkushGlyphのOCSR性能は強力ではあるものの、特化したOCSRGlyphモデルにはまだ及んでおらず、単一のアーキテクチャで両方のタスクの最先端性能を統一することには依然としてギャップが存在することを示唆している。
2. マーカス構造の認識性能は、依然としてOCSRの性能よりも大幅に遅れており、変異基や制約の複雑さが依然として困難なフロンティアであることを示している。

著者らは、彼らの研究が、単純でスケーラブルな手法と推論時のスケーリング（例：多数決）の有効性を実証しており、現在の能力と、特許および文献解析における堅牢な化学構造認識の要件との間のギャップを埋めるものであると結論づけている。