論文の概要: AI4DiTraRe: Building the BFO-Compliant Chemotion Knowledge Graph

• arxiv url: http://arxiv.org/abs/2509.01536v2
• Date: Sun, 28 Sep 2025 09:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 14:13:47.49653
• Title: AI4DiTraRe: Building the BFO-Compliant Chemotion Knowledge Graph
• Title（参考訳）: AI4DiTraRe: BFO互換のChemotion Knowledge Graphの構築
• Authors: Ebrahim Norouzi, Nicole Jung, Anna M. Jacyszyn, Jörg Waitelonis, Harald Sack,
• Abstract要約: 本稿では,BFO準拠のChemotion Knowledge Graphを構築するためのセマンティックパイプラインを提案する。 Chemotion-KG APIは、化学におけるAI駆動の発見と推論をサポートするために、FAIR原則に従うために開発された。 ソースコードとデータセットはGitHubから公開されている。
• 参考スコア（独自算出の注目度）: 0.38800401291665154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chemistry is an example of a discipline where the advancements of technology have led to multi-level and often tangled and tricky processes ongoing in the lab. The repeatedly complex workflows are combined with information from chemical structures, which are essential to understand the scientific process. An important tool for many chemists is Chemotion, which consists of an electronic lab notebook and a repository. This paper introduces a semantic pipeline for constructing the BFO-compliant Chemotion Knowledge Graph, providing an integrated, ontology-driven representation of chemical research data. The Chemotion-KG has been developed to adhere to the FAIR (Findable, Accessible, Interoperable, Reusable) principles and to support AI-driven discovery and reasoning in chemistry. Experimental metadata were harvested from the Chemotion API in JSON-LD format, converted into RDF, and subsequently transformed into a Basic Formal Ontology-aligned graph through SPARQL CONSTRUCT queries. The source code and datasets are publicly available via GitHub. The Chemotion Knowledge Graph is hosted by FIZ Karlsruhe Information Service Engineering. Outcomes presented in this work were achieved within the Leibniz Science Campus ``Digital Transformation of Research'' (DiTraRe) and are part of an ongoing interdisciplinary collaboration.
• Abstract（参考訳）: 化学は、技術の進歩が多段階につながり、しばしば研究室で進行中の複雑で複雑なプロセスに繋がる分野の例である。 繰り返し発生する複雑なワークフローと化学構造からの情報が組み合わさり、科学過程を理解するのに不可欠である。 多くの化学者にとって重要なツールはChemotionであり、これは電子ラボノートとレポジトリで構成されている。 本稿では,BFO準拠のChemotion Knowledge Graphを構築するためのセマンティックパイプラインを提案する。 Chemotion-KGは、FAIR(Findable, Accessible, Interoperable, Reusable)の原則に準拠し、化学におけるAI駆動の発見と推論をサポートするために開発された。 実験メタデータは、JSON-LD形式でChemotion APIから取得され、RDFに変換され、SPARQL CONSTRUCTクエリを通じてベーシック形式オントロジー対応のグラフに変換された。 ソースコードとデータセットはGitHubから公開されている。 Chemotion Knowledge GraphはFIZ Karlsruhe Information Service Engineeringによってホストされている。 この研究で提示された成果は、ライプニッツ科学キャンパスの ' `Digital Transformation of Research' (DiTraRe) で達成され、現在進行中の学際的なコラボレーションの一部である。

関連論文リスト

• FROGENT: An End-to-End Full-process Drug Design Agent [19.025736969789566]
  薬物発見のための強力なAIツールは、孤立したWebアプリ、デスクトッププログラム、コードライブラリに存在する。 この問題に対処するため、FROGENTという名前のフルプロセスduG dEsign ageNTが提案されている。 FROGENTはLarge Language ModelとModel Context Protocolを使用して、複数の動的生化学データベース、ツールライブラリ、タスク固有のAIモデルを統合する。
  論文  参考訳（メタデータ） (2025-08-14T15:45:53Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• ChemGraph: An Agentic Framework for Computational Chemistry Workflows [0.0]
  ChemGraphは人工知能と最先端のシミュレーションツールを利用したエージェントフレームワークである。 ユーザーは分子構造生成、単一点エネルギー、幾何最適化、振動解析、熱化学計算などのタスクを実行できる。
  論文  参考訳（メタデータ） (2025-06-03T21:11:56Z)
• ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning [64.2106664137118]
  ChemAgentは,大規模言語モデル(LLM)の性能向上を目的とした,新しいフレームワークである。 化学タスクをサブタスクに分解し、これらのサブタスクを将来のクエリに参照可能な構造化されたコレクションにコンパイルすることで開発される。 新しい問題を提示すると、ChemAgentは、私たちがメモリと呼ぶライブラリから関連する情報を検索し、精査する。
  論文  参考訳（メタデータ） (2025-01-11T17:10:30Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
  Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。 このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。 我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
  化学構造を視覚的に認識するためにMolGrapherを導入する。 すべての候補原子と結合をノードとして扱い、それらをグラフ化する。 グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
  論文  参考訳（メタデータ） (2023-08-23T16:16:11Z)
• Supervised learning with artificial hydrocarbon networks: an open source implementation and its applications [0.9746724603067648]
  人工炭化水素ネットワーク(AHN)は、有機化合物の構造と内部化学機構にインスパイアされた、新しい教師付き学習手法である。 このパッケージは、機械学習とデータモデリングに関心のある科学者や応用研究者にとって非常に役立つことを意図している。
  論文  参考訳（メタデータ） (2020-05-20T20:40:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。