DOI: https://doi.org/10.1038/s41467-026-70180-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41771908
تاريخ النشر: 2026-03-02
المؤلف: Jiawei Li وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تقدم البحث ReactionSeek، وهو إطار عمل جديد مصمم لتعزيز تطبيق الذكاء الاصطناعي (AI) في الاكتشاف الكيميائي من خلال معالجة التحديات التي تطرحها الأدبيات العلمية غير المنظمة. غالبًا ما تكون طرق الحصول على البيانات التقليدية يدوية ومحدودة، مما يعيق الاستخدام الفعال للذكاء الاصطناعي في هذا المجال. يدمج ReactionSeek نماذج اللغة الكبيرة (LLMs) مع أدوات الكيمياء المعلوماتية المعروفة لأتمتة استخراج وتوحيد المعلومات الكيميائية المعقدة من أدبيات التخليق العضوي، باستخدام هندسة موجهة متقدمة مع الحد الأدنى من الترميز المخصص.
تم التحقق من صحة الإطار باستخدام مجموعة Organic Syntheses الواسعة، محققًا أكثر من 95% دقة واسترجاع للمعلمات التفاعلية الحرجة. يسهل ReactionSeek إنشاء مجموعة بيانات شاملة جاهزة للذكاء الاصطناعي، وتطوير دردشة تفاعلية (SynChat) للاستفسارات باللغة الطبيعية، وتحليل مستقل يكشف عن الاتجاهات طويلة الأجل في الحفز. تعالج هذه الطريقة المبتكرة عنق الزجاجة في تنسيق البيانات، مما يمثل تقدمًا كبيرًا في تعدين الأرشيف المدفوع بالذكاء الاصطناعي واكتشاف المعرفة ضمن العلوم الكيميائية.
مقدمة
إن دمج الذكاء الاصطناعي (AI) في العلوم الجزيئية، وخاصة التخليق العضوي، لديه القدرة على إحداث ثورة في الاكتشاف والابتكار عبر مجالات متعددة. ومع ذلك، فإن فعالية الأساليب المدفوعة بالذكاء الاصطناعي محدودة حاليًا بسبب إمكانية الوصول إلى البيانات الكيميائية، التي غالبًا ما تكون محصورة في الأدبيات غير المنظمة. يقدم هذا البحث ReactionSeek، وهو نظام مصمم لاستخراج وتنظيم معلومات التفاعل من الأدبيات الكيميائية، وتحويلها إلى مجموعة بيانات قابلة للقراءة بواسطة الآلة. يتكون سير العمل من ثلاثة مكونات رئيسية: تعدين الصور، تعدين النصوص، وتوحيد البيانات.
في مرحلة تعدين الصور، يستخدم ReactionSeek نموذج لغة كبير متعدد الوسائط (LLM)، GLM-4V، لتفسير مخططات التفاعل بدقة من الصور، محققًا دقة بنسبة 91.5% في تحديد الأدوار الجزيئية. تستخدم مكونة تعدين النصوص خط أنابيب متطور لهندسة الموجهات لاستخراج معلومات تجريبية مفصلة من النصوص غير المنظمة، محققة درجة F1 تبلغ 0.983 مع الحد الأدنى من الأمثلة المعلّمة. يحدد هذا الخط بشكل فعال ويربط الكيانات المركبة، مما يظهر دقة واسترجاع عاليين عبر فئات مختلفة. بالإضافة إلى ذلك، يقوم نموذج توحيد البيانات في النظام بتحويل تسميات المركبات المتنوعة إلى تمثيلات SMILES موحدة، مما يضمن الاتساق والدقة في مجموعة البيانات. توضح التطبيق الناجح لـ ReactionSeek على مجموعة Organic Syntheses قابليته للتوسع وفائدته العملية في تعزيز الاكتشاف المدفوع بالذكاء الاصطناعي في الكيمياء.
طرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. يتم وصف منهجيات محددة، مثل التجارب المضبوطة أو الدراسات الملاحظة، لضمان قابلية التكرار وموثوقية النتائج. كما يبرز القسم أي أدوات أو تقنيات تم استخدامها، بما في ذلك البرمجيات لمعالجة البيانات وأدوات القياس.
بالإضافة إلى ذلك، يتم وضع الطرق في سياق الأسئلة البحثية المطروحة، مع التأكيد على كيفية مساهمة كل نهج في معالجة الفرضيات. كما يتم تناول الاعتبارات الأخلاقية، مثل الموافقة المستنيرة وسرية البيانات، لضمان الامتثال للمعايير ذات الصلة. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على الإطار المنهجي الذي يدعم نتائج الدراسة.
مناقشة
يناقش القسم تطوير وتقييم ReactionSeek، وهو إطار عمل قائم على LLM مصمم لأتمتة استخراج البيانات متعددة الوسائط من أدبيات التخليق العضوي. أظهر الإطار مكاسب كبيرة في الكفاءة، حيث يتطلب متوسط 21.32 ثانية لكل مقال لاستخراج البيانات، مقارنة بـ 5-10 دقائق عادةً المطلوبة للاستخراج اليدوي. كشفت تقييمات الدقة أن ReactionSeek حقق أكثر من 95% دقة للمعلمات التفاعلية الرئيسية، متفوقًا بشكل خاص في تحديد المنتجات وعوائد التفاعل. ومع ذلك، لا تزال هناك تحديات، مثل صعوبة النموذج في تجميع كميات المتفاعلات عند إضافتها في أجزاء متعددة واعتماده على أداء أداة OCSR الأساسية.
أشارت التقييمات المقارنة لمختلف نماذج LLM إلى أن النماذج الأكبر، مثل GLM-4، تفوقت على النماذج الأصغر في استخراج المعلومات الكيميائية، على الرغم من أن النماذج متوسطة الحجم أظهرت معدلات استرجاع قابلة للمقارنة للمهام الأبسط. كما سلطت الدراسة الضوء على أهمية تصميم الموجهات الذكية في تعزيز قدرة النموذج على تحليل النصوص الكيميائية المعقدة. تهدف الأعمال المستقبلية إلى تحسين متانة الإطار من خلال دمج أدوات الكيمياء المعلوماتية المتقدمة وتوسيع تطبيقه في مجالات ذات صلة مثل علوم البوليمرات والمواد. بشكل عام، يمثل ReactionSeek تقدمًا كبيرًا في إنشاء مجموعات بيانات عالية الجودة جاهزة للذكاء الاصطناعي، مما يسهل الاكتشاف المدفوع بالبيانات في الكيمياء.
DOI: https://doi.org/10.1038/s41467-026-70180-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41771908
Publication Date: 2026-03-02
Author(s): Jiawei Li et al.
Primary Topic: Machine Learning in Materials Science
Overview
The research introduces ReactionSeek, a novel framework designed to enhance the application of artificial intelligence (AI) in chemical discovery by addressing the challenges posed by unstructured scientific literature. Traditional data acquisition methods are often manual and limited, which hampers the effective use of AI in this field. ReactionSeek integrates large language models (LLMs) with established cheminformatics tools to automate the extraction and standardization of complex chemical information from organic synthesis literature, utilizing advanced prompt engineering with minimal custom coding.
The framework was validated using the extensive Organic Syntheses collection, achieving over 95% precision and recall for critical reaction parameters. ReactionSeek facilitates the creation of a comprehensive, AI-ready dataset, the development of an interactive Synthetic Chatbot (SynChat) for natural language queries, and an autonomous analysis that uncovers long-term trends in catalysis. This innovative approach addresses the data curation bottleneck, marking a significant advancement in AI-driven archive mining and knowledge discovery within the chemical sciences.
Introduction
The integration of artificial intelligence (AI) into molecular sciences, particularly organic synthesis, has the potential to revolutionize discovery and innovation across various fields. However, the effectiveness of AI-driven approaches is currently limited by the accessibility of chemical data, much of which is trapped in unstructured literature. This paper introduces ReactionSeek, a system designed to extract and organize reaction information from chemical literature, transforming it into a machine-readable dataset. The workflow consists of three main components: image mining, text mining, and data standardization.
In the image mining phase, ReactionSeek employs a multi-modal large language model (LLM), GLM-4V, to accurately interpret reaction schemes from images, achieving a 91.5% accuracy in identifying molecular roles. The text mining component utilizes a sophisticated prompt engineering pipeline to extract detailed experimental information from unstructured text, achieving an F1 score of 0.983 with minimal annotated examples. This pipeline effectively identifies and associates compound entities, demonstrating high precision and recall across various categories. Additionally, the system’s data standardization module converts diverse compound nomenclature into standardized SMILES representations, ensuring consistency and accuracy in the dataset. The successful application of ReactionSeek to the Organic Syntheses collection illustrates its scalability and practical utility in advancing AI-driven discovery in chemistry.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. Specific methodologies, such as controlled trials or observational studies, are described to ensure reproducibility and reliability of results. The section also highlights any tools or technologies utilized, including software for data processing and measurement instruments.
Additionally, the methods are framed within the context of the research questions posed, emphasizing how each approach contributes to addressing the hypotheses. Ethical considerations, such as informed consent and data confidentiality, are also addressed, ensuring compliance with relevant standards. Overall, this section serves to provide a comprehensive overview of the methodological framework that underpins the findings of the study.
Discussion
The section discusses the development and evaluation of ReactionSeek, an LLM-based framework designed to automate the extraction of multi-modal data from organic synthesis literature. The framework demonstrated significant efficiency gains, requiring an average of 21.32 seconds per article for data mining, compared to the 5-10 minutes typically needed for manual extraction. Accuracy assessments revealed that ReactionSeek achieved over 95% accuracy for key reaction parameters, particularly excelling in the identification of products and reaction yields. However, challenges remain, such as the model’s difficulty in aggregating reactant quantities when added in multiple portions and its reliance on the underlying OCSR tool’s performance.
The comparative evaluation of various LLMs indicated that larger models, such as GLM-4, outperformed smaller ones in extracting chemical information, although medium-sized models showed comparable recall rates for simpler tasks. The study also highlighted the importance of intelligent prompt design in enhancing the model’s ability to parse complex chemical texts. Future work aims to improve the framework’s robustness by integrating advanced cheminformatics tools and expanding its application to related fields like polymer and materials science. Overall, ReactionSeek represents a significant advancement in generating high-quality, AI-ready datasets, facilitating data-driven discovery in chemistry.