MarkushGlyph and OCSRGlyph: Improved Chemical Structure Recognition

Resumo Técnico: MarkushGlyph e OCSRGlyph

Declaração do Problema
As estruturas químicas em patentes e literatura científica são comunicadas predominantemente como imagens, que são legíveis para químicos, mas difíceis de processar para uso programático (ex: indexação de bancos de dados ou treinamento de aprendizado de máquina). A tarefa de converter essas imagens em notações de linha legíveis por máquina (tipicamente SMILES ou CXSMILES) é conhecida como Reconhecimento Óptico de Estrutura Química (OCSR) para moléculas únicas e tradução de estrutura Markush para famílias de compostos. Embora o OCSR tenha apresentado maturidade significativa, a tradução de estruturas Markush permanece desafiadora devido à necessidade de resolver sítios variáveis, restrições e diversas convenções de desenho entre os escritórios de patentes. Além disso, as métricas de avaliação existentes para estruturas Markush frequentemente falham ao não penalizar adições incorretas de características ou transposições de rótulos, levando a pontuações de precisão infladas.

Metodologia
Os autores enquadram tanto o OCSR quanto a tradução Markush como problemas de tradução de imagem-para-texto, treinando modelos únicos em vez de depender de pipelines de múltiplos estágios que processam separadamente texto, layout e imagens.

1. OCSRGlyph (Reconhecimento de Molécula Única):

   • Arquitetura: Um modelo padrão de imagem-para-sequência usando um codificador Transformer Swin-B (resolução de 384 pixels, inicializado com ImageNet) e um decodificador Transformer de seis camadas.
   • Estratégia de Treinamento: O modelo é treinado em uma mistura curada dos conjuntos de dados PubChem-1M e USPTO-680K. Crucialmente, os autores abordam o desafio específico da estereoquímica através da sobreamostragem de moléculas quirais (Stereo-200K e um subconjunto de anéis adjacentes) durante o treinamento. Isso melhora a precisão estereoquímica sem degradar o desempenho em moléculas não quirais.
   • Saída: Gera strings SMILES canônicas puras.

2. MarkushGlyph (Reconhecimento de Estrutura Markush):

   • Arquitetura: Um modelo de visão-linguagem (VLM) baseado em Qwen3.5-2B-Base, utilizando uma abordagem de fusão precoce onde a imagem recortada e um prompt de texto são processados conjuntamente por uma única rede. Emprega Adaptação de Baixo Rank (LoRA) para ajuste fino eficiente.
   • Entrada/Saída: O modelo aceita a imagem da estrutura inteira (incluindo texto impresso, rótulos de grupos R e colchetes) sem um front-end de OCR separado. Ele gera um registro cxsmiles_opt estruturado (um formato CXSMILES otimizado onde os rótulos estão inline com os átomos) envolto em tags XML, incluindo a estrutura central e quaisquer definições de substituintes.
   • Treinamento Combinado: Para lidar tanto com moléculas únicas quanto com estruturas Markush sem conhecimento prévio do tipo de entrada, o modelo é treinado em um conjunto de dados combinado onde moléculas comuns são tratadas como um caso especial de registros Markush (com campos variáveis vazios).

Principais Contribuições

• OCSRGlyph: Um modelo de OCSR de última geração que atinge 93,8% de precisão de correspondência exata no benchmark USPTO ao abordar especificamente a estereoquímica através da curadoria de dados.
• MarkushGlyph: Um modelo de visão-linguagem de estágio único que supera pipelines anteriores de múltiplos estágios (como o MarkushGrapher-2) em todos os três benchmarks padrão (IP5-M, M2S, USPTO-M). Ele elimina a necessidade de estágios separados de extração de texto e análise de layout.
• Métrica de Igualdade de Grafo Analisado Estrita: Os autores introduzem uma nova métrica de avaliação que aborda modos de falha em métricas existentes. Ao contrário de métodos anteriores que verificam a presença de características necessárias (permitindo características extras ou incorretas), esta métrica exige isomorfismo de grafo estrito entre a predição e a referência, preservando atribuições de grupos R, posições de fixação, unidades de repetição e correspondência de fragmentos.
• Abordagem Unificada: Demonstrar que o OCSR pode ser tratado como um caso especial de tradução Markush, permitindo que um único modelo processe efetivamente ambos os tipos de estruturas químicas.

Resultos

• Desempenho OCSR: O OCSRGlyph atinge 93,8% de precisão de correspondência exata canônica no benchmark USPTO (5.719 imagens), superando o estado da arte anterior (MolSight) em 1,8 pontos percentuais. Também atinge 93,9% de precisão sob a convenção "quiralidade mantida".
• Desempenho Markush: O MarkushGlyph supera o MarkuxGrapher-2 e outros baselines em todos os três benchmarks sob a pontuação padrão do MarkuxGrapher-2 e a nova métrica de igualdade de grafo analisado estrita.
  • No IP5-M (878 exemplos), o MarkushGlyph atinge 60,6% (votação majoritária) sob a pontuação padrão e 54,7% sob igualdade estrita.
  • No M2S (103 exemplos), atinge 62,1% (padrão) e 64,1% (estrito).
  • No USPTO-Markush (74 exemplos), atinge 63,5% (padrão) e 56,8% (estrito).
• Estudos de Ablação: Os autores mostram que adicionar amostras de OCSR ao conjunto de treinamento Markush melhora significamente o desempenho do OCSR sem degradar substancialmente as capacidades de reconhecimento Markush.

Significância e Alegações
O artigo afirma que estes resultados representam um passo em direção a um modelo unificado capaz de traduzir tanto moléculas únicas quanto complexas famílias Markush a partir de imagens. Os autores enfatizam que o alto desempenho é alcançado através de estratégias relativamente simples: aproveitar backbones pré-treinados, treinamento de estágio único e amostragem cuidadosa de dados.

O trabalho destaca duas limitações específicas:

1. O desempenho de OCSR do MarkushGlyph, embora forte, ainda não iguala o do modelo especializado OCSRGlyph, sugerindo que permanece uma lacuna para unificar o desempenho de última geração para ambas as tarefas em uma única arquitetura.
2. O desempenho de reconhecimento de estrutura Markush ainda está significativamente atrás do desempenho de OCSR, indicando que a complexidade de grupos variáveis e restrições continua sendo uma fronteira desafiadora.

Os autores concluem que seu trabalho demonstra a eficácia de métodos simples e escaláveis e de escalonamento em tempo de inferência (ex: votação majoritária) para fechar a lacuna entre as capacidades atuais e os requisitos para um reconhecimento robusto de estruturas químicas em análise de patentes e literatura.