BioChemInsight: An Online Platform for Automated Extraction of Chemical Structures and Activity Data from Patents

BioChemInsight 是一款开源平台，通过集成多种先进模型实现了从专利中自动提取化学结构、生物活性数据及化合物标识符，其准确率超过 90%，有效补充了现有公共数据库的空白并大幅缩短了药物研发的数据预处理时间。

要点

这篇论文介绍了一个名为 BioChemInsight 的“超级助手”，它专门用来帮科学家从海量的专利文件中自动提取化学药物信息。

为了让你更容易理解，我们可以把这项技术想象成一位不知疲倦的“化学图书管理员”兼“数据翻译官”。

1. 背景：为什么我们需要它？

想象一下，制药公司每年都要阅读成千上万份专利文件。这些文件就像一本本厚厚的“魔法书”，里面画着各种神奇的分子结构图（药物的样子），并写着它们能治什么病（药效数据）。

• 过去的问题：以前，科学家必须像手工抄写员一样，一页一页地翻书，把图里的分子画下来，再把旁边的数字（比如药效强度）抄到 Excel 表里。这不仅慢得要命（需要几周甚至几个月），还容易抄错，让人累得半死。
• 现在的痛点：虽然有一些工具能自动识别图片里的化学分子（就像 OCR 识别文字一样），但它们有个大毛病：只认图，不认字。它们能认出“这是个分子”，但不知道这个分子旁边写的“药效是 50"到底属于谁。这就好比只认出了人的脸，却不知道他的名字和职业。

2. BioChemInsight 是什么？

BioChemInsight 就是为了解决这个问题而生的。它是一个全自动的流水线工厂，能把杂乱的专利 PDF 文件，瞬间变成整齐、可用的数据表格。

我们可以把这个过程想象成三个步骤的“魔法流水线”：

第一步：找图与“复印” (识别分子)

• 工具：DECIMER 和 MolNexTR。
• 比喻：这就像是一个超级敏锐的扫描仪。它能在一堆密密麻麻的文字和表格中，精准地找到那些画着化学结构的图片，把它们“剪”下来，然后像翻译官一样，把图片翻译成计算机能读懂的代码（SMILES 字符串）。
  • 以前：人工看图，容易看花眼。
  • 现在：AI 一眼就能认出：“这是苯环，那是双键”，准确率高达 99%。

第二步：对号入座 (关联名字)

• 工具：GLM-4.5V (一种强大的视觉语言模型)。
• 比喻：这是最关键的“侦探”环节。专利里通常写着“化合物 1"、“化合物 2"，旁边画着对应的图。这个 AI 侦探会观察图片的位置，把“化合物 1"这个名字和刚才识别出的分子图片牢牢地绑定在一起。
  • 以前：工具只能认出图，不知道图旁边写的是谁。
  • 现在：AI 能看懂：“哦，这个图在‘化合物 1'的旁边，所以它们是一对。”

第三步：提取数据与“标准化” (读取药效)

• 工具：PaddleOCR 和 GLM-4.6。
• 比喻：这就像是一个精明的会计。它把专利里的表格和文字变成可编辑的文本，然后找出关键数据（比如 IC50，一种衡量药效的指标）。
  • 它不仅能读出数字，还能自动换算单位。比如，有的写"0.05 微摩尔”，有的写"50 纳摩尔”，会计会自动把它们统一换算成同一种单位，方便比较。

3. 它有多厉害？

研究人员用 181 份专利文件（涉及 15 种不同的疾病目标）测试了这个系统：

• 速度快：以前需要几周的人工整理工作，现在几小时就能搞定。
• 准度高：在识别分子、提取数据和关联名字这三个任务上，平均准确率超过了 90%。
• 发现新大陆：这是最精彩的部分。研究人员发现，专利里藏着的化学分子，和现有的公共数据库（ChEMBL）里的分子几乎不重叠。
  • 比喻：如果 ChEMBL 数据库是一个大家都知道的“老超市”，里面卖的都是常见的商品；那么专利文件就像是一个神秘的“地下宝藏库”，里面藏着很多超市里没有的、全新的“宝藏商品”。BioChemInsight 就是那个能带你进入宝藏库并整理好货物的向导。

4. 总结：这对世界意味着什么？

BioChemInsight 就像给药物研发装上了涡轮增压器。

1. 省钱省时：把科学家从枯燥的抄写工作中解放出来，让他们去搞真正的创新。
2. 发现新药：通过挖掘那些被忽略的专利数据，科学家能发现更多潜在的有效药物，特别是针对那些很难治疗的疾病。
3. 数据民主化：这个工具是开源的（免费公开），任何人都可以用它来挖掘数据，加速全人类的药物研发进程。

一句话总结：
BioChemInsight 是一个AI 机器人，它能像超级速记员一样，把成千上万份复杂的药物专利，自动整理成清晰、准确的“药物寻宝图”，帮助科学家更快地找到治愈疾病的新药。

技术摘要

BioChemInsight 技术摘要

论文标题：BioChemInsight: 一个用于从专利中自动提取化学结构与活性数据的在线平台
核心领域：药物发现、光学化学结构识别 (OCSR)、自然语言处理 (NLP)、数据挖掘

1. 研究背景与问题 (Problem)

在药物发现过程中，从科学文献（特别是专利）中自动化提取化学结构及其对应的生物活性数据至关重要。然而，现有的技术存在以下关键瓶颈：

• 结构 - 活性关联缺失：当前的光学化学结构识别 (OCSR) 工具虽然能识别分子结构，但缺乏将识别出的分子结构与其对应的生物活性数据（如 IC₅₀, Ki 等）进行自主关联的能力。
• 人工提取效率低：传统的人工提取耗时、易出错且劳动强度大。
• 数据孤岛：现有的公共数据库（如 ChEMBL）主要基于已发表的论文，而专利中包含大量未公开或独特的化学空间，目前缺乏系统性的挖掘工具来填补这一空白。

2. 方法论 (Methodology)

BioChemInsight 是一个开源的自动化处理管道（Pipeline），集成了计算机视觉、大语言模型（LLM）和化学信息学工具，旨在将非结构化的专利 PDF 文档转化为结构化的“结构 - 活性关系 (SAR)"数据集。

系统架构与核心组件

该系统采用模块化设计，主要包含以下流程：

1. 文档预处理：

   • 使用 PyMuPDF 将输入的 PDF 转换为 300 DPI 的 PNG 图像，确保分辨率满足结构检测需求，并统一文档格式。

2. 化学结构识别 (OCSR)：

   • 检测：利用 DECIMER Segmentation (基于 Mask R-CNN) 从页面中精准检测和裁剪化学结构图像，排除非化学图像干扰。
   • 转换：使用 MolNexTR 将裁剪后的结构图像转换为机器可读的 SMILES 字符串。

3. 化合物标识符关联 (Identifier Association)：

   • 利用 GLM-4.5V (视觉 - 语言模型) 处理 DECIMER 标注的红色框区域（包含结构及其标签，如 "Ex.1"），通过空间相关性将结构与其化合物标识符（ID）进行关联。
   • 使用 GLM-4.6 结合正则表达式，将原始标签标准化为统一命名（如 "Compound 1"），并通过交叉验证确保 ID 与 SMILES 的精确匹配。

4. 生物活性数据提取：

   • 文本转换：使用 PaddleOCR v2.6 将 PDF 页面转换为 Markdown 格式。
   • 数据解析：利用 GLM-4.6 解析 Markdown，从表格和上下文文本中提取特定的生物活性指标（IC₅₀, EC₅₀, Ki）。
   • 单位归一化：系统自动将提取的数值统一归一化为纳摩尔 (nM) 单位，解决单位不统一的问题。

5. 数据集成与输出：

   • 将 SMILES 结构、标准化 ID 和归一化的活性值整合成结构化矩阵，导出为 CSV/JSON 格式，供下游机器学习或 QSAR 建模使用。

用户交互界面

• 提供基于 React 的前端工作区，支持交互式的人工干预。
• 用户可手动选择包含化学结构的页面（Structure Explorer）和包含活性数据的页面（Bioactivity Page Selection），并可在最终审查阶段（Review）对提取结果进行人工修正和验证，确保数据质量。

3. 关键贡献 (Key Contributions)

• 首创端到端关联：首次实现了从专利文档中自动将化学结构、化合物标识符和生物活性数据三者进行自动关联，填补了 OCSR 工具在结构 - 活性关系分析中的功能空白。
• 多模态大模型融合：创新性地结合了专用 OCSR 模型（DECIMER, MolNexTR）与先进的视觉 - 语言大模型（GLM 系列），有效解决了复杂专利布局中的结构识别与语义关联难题。
• 开源平台：提供了一个完整的、可部署的开源工具（BioChemInsight），降低了药物研究人员挖掘专利数据的门槛。
• 数据归一化：内置了自动单位归一化模块，直接输出标准化的活性数据，减少了后续数据清洗的工作量。

4. 实验结果 (Results)

研究团队在 181 份专利（涵盖 15 个治疗靶点）上对系统进行了评估，数据经过两位独立药物化学家的 100% 人工验证。

• 提取准确率：系统在三项关键任务上的平均提取准确率均超过 90%：
  • 化学结构识别
  • 生物活性数据提取
  • 化合物标识符关联
• 特定表现：部分生物活性测试的提取准确率达到了 100%。
• 鲁棒性：性能不随专利数量增加而下降，表明系统具有良好的可扩展性。
• 错误分析：主要误差来源包括源文档图像质量差（模糊、低分辨率）导致的结构识别错误，以及 OCR 表格错位导致的 ID 与活性值关联错误。
• 化学空间互补性：通过 UMAP 降维分析发现，BioChemInsight 从专利中提取的化学空间与 ChEMBL 数据库中的化学空间高度互补（重叠度极低）。这表明专利文献包含了大量 ChEMBL 未覆盖的独特化合物，特别是在新兴靶点（如 NLRP3, PFKFB3）上。

5. 意义与影响 (Significance)

• 加速药物发现：将数据预处理时间从数周缩短至数小时，显著提升了高通量筛选和虚拟筛选的效率。
• 拓展化学空间：通过系统性地挖掘专利，揭示了 ChEMBL 等公共数据库中缺失的化学空间，为发现新骨架和新靶点提供了宝贵资源。
• 赋能 AI 制药：生成的标准化、高质量 SAR 数据集可直接用于训练机器学习/深度学习模型，提高定量构效关系 (QSAR) 模型的预测精度。
• 推动数据驱动研究：为药物研发从“经验驱动”向“数据驱动”转型提供了关键的基础设施支持。

总结：BioChemInsight 不仅是一个高效的提取工具，更是一个连接非结构化专利文献与结构化药物研发数据的关键桥梁，极大地丰富了药物发现的数据基础。

项目地址：https://github.com/dahuilangda/BioChemInsight