論文の概要: RxnMiner: A Multimodal Agent for Structured Reaction Data Extraction from Chemistry Figures

• arxiv url: http://arxiv.org/abs/2611.02826v1
• Date: Mon, 02 Nov 2026 09:24:55 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:40:10.968688
• Title: RxnMiner: A Multimodal Agent for Structured Reaction Data Extraction from Chemistry Figures
• Title（参考訳）: RxnMiner: 化学図からの構造化反応データ抽出のためのマルチモーダルエージェント
• Abstract要約: RxnMinerは、文献から反応データを抽出するシステムである。 専門家にインフォームドされた抽出手順と化学工具箱を組み合わせてこれらの操作を調整する。 ソースリンクされた反応記録88,202個の銀コーパスを生産する。
• 参考スコア（独自算出の注目度）: 15.534871240259967
• License:
• Abstract: Reaction data underpin machine learning for reaction prediction, condition recommendation, and retrosynthetic planning, yet extracting these data from literature figures still requires substantial manual effort. Many figures encode multiple experiments through shared templates, substituent tables, and product grids. Recovering concrete reaction records therefore requires molecular recognition, association of evidence with individual experimental entries, and reconstruction of indirectly specified participants. We present RxnMiner, a multimodal agent system that combines an expert-informed extraction procedure with a chemistry toolbox to coordinate these operations. The agent reads molecular structures, resolves shared and entry-specific evidence, and instantiates participants from templates to assemble source-linked reaction records. We also introduce ChemRxn-Bench, a benchmark of 603 reaction figures with 8,547 manually annotated and reviewed reaction records, evaluated under a common protocol for exact molecular identity and reactant-product pairing. On this benchmark, with Qwen3.8-Flash-Next as the backbone, RxnMiner raises stereochemistry-aware reaction macro-F1 from 21.0% under direct prediction to 71.0%, compared with 25.0% for the strongest existing extraction system. Across five backbones, it also outperforms the same base agent without the extraction procedure and chemistry toolbox by 9.4 to 25.5 points. Applied without human intervention to 10,107 literature figures, RxnMiner produces a silver corpus of 88,202 source-linked reaction records.
• Abstract（参考訳）: 反応データは、反応予測、条件レコメンデーション、再合成計画のための機械学習を支えるが、文学的な数字からこれらのデータを抽出するには依然としてかなりの手作業が必要である。 多くの図は、共有テンプレート、置換テーブル、製品グリッドを通じて複数の実験をエンコードする。 そのため、具体的な反応記録を復元するには、分子認識、証拠と個々の実験項目の関連付け、間接的に特定された参加者の再構築が必要である。 本稿では,RxnMinerについて述べる。RxnMinerは,エキスパートインフォームド抽出法と化学ツールボックスを組み合わせたマルチモーダルエージェントシステムである。 エージェントは分子構造を読み、共有およびエントリ特異的なエビデンスを解決し、参加者をテンプレートからインスタンス化し、ソースリンクされた反応記録を組み立てる。 また、ChemRxn-Benchは、8,547個の手動アノテートおよびレビューされた反応記録を持つ603個の反応図のベンチマークであり、分子の正確な同定と反応産物のペアリングのための共通プロトコルで評価されている。 このベンチマークでは、Qwen3.8-Flash-Nextをバックボーンとし、RxnMinerは21.0%から71.0%へと立体化学対応のマクロF1を上昇させる。 5つのバックボーンにまたがって、抽出手順と化学工具箱を9.4から25.5ポイントも失わずに、同じベースエージェントを上回ります。 10,107の文献に人間の介入なしに適用され、RxnMinerは88,202個のソースリンクされた反応記録の銀のコーパスを生成する。

関連論文リスト

• RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature [49.82189050100978]
  RxnExBenchは、微粒な反応レベル評価のためのマルチモーダルベンチマークである。 専門家による3,565の反応と2,361の分子構造を含んでいる。 化学を意識したマルチモーダル理解の今後の研究を促進するために、すべてのデータとコードを公開します。
  論文  参考訳（メタデータ） (2026-10-23T06:19:56Z)
• DianShi-RxnDB: A Large-Scale, Fine-Grained Organic Reaction Data Platform Built via a Fully Automated Pipeline for Researchers and AI Agents [77.19284650368924]
  大規模できめ細かい有機反応データプラットフォームであるDianShi-RxnDBについて述べる。 完全に自動化された抽出と正規化パイプラインを通じて構築される。 このプラットフォームは、検索、フィルタリング、比較、およびソース検証レコードのためのWebリサーチワークベンチを提供する。
  論文  参考訳（メタデータ） (2026-09-06T16:20:43Z)
• MinerU.Chem: A High-Precision System for Optical Chemical Structure and Reaction Recognition [91.38955433649268]
  MinerU-Chemは、MinerUオンラインプラットフォームに統合された有機化学文献の文書解析システムである。 MinerUの汎用文書解析パイプライン上に構築されたMinerU-Chemは、化学固有の5つのモジュールを追加する。 分子構造認識において、MinerU-Chemはコア表現としてCARBONを使用している。
  論文  参考訳（メタデータ） (2026-08-04T12:09:02Z)
• Copy-Augmented Representation for Structure Invariant Template-Free Retrosynthesis [17.5286075847689]
  C-SMILESは、従来のSMILESを5つの特別なトークンを持つ要素対に分解する新しい表現である。 提案手法はSMILESアライメントガイダンスを統合し,アテンションの整合性向上と地中構造原子マッピングを実現する。 この研究は、生成分子の99.9%の妥当性を持つ構造認識分子生成の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-10-18T17:25:36Z)
• A Multi-Agent System Enables Versatile Information Extraction from the Chemical Literature [8.306442315850878]
  我々は,堅牢かつ自動化された化学情報抽出のためのマルチモーダル大規模言語モデル (MLLM) ベースのマルチエージェントシステムを開発した。 文献から得られた高精細なマルチモーダル化学反応画像のベンチマークデータセットにおいて,本システムは80.8%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-07-27T11:16:57Z)
• Interpretable Deep Learning for Polar Mechanistic Reaction Prediction [43.95903801494905]
  PMechRP(Polar Mechanistic Reaction Predictor)は,PMechDBデータセット上で機械学習モデルをトレーニングするシステムである。 私たちは、トランスフォーマーベース、グラフベース、および2段階のシアムアーキテクチャを含む、さまざまな機械学習モデルの比較をトレーニングします。 私たちの最高のパフォーマンスのアプローチはハイブリッドモデルで、5アンサンブルのChemformerモデルと2ステップのSiameseフレームワークを組み合わせたものです。
  論文  参考訳（メタデータ） (2025-04-22T02:31:23Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• OpenChemIE: An Information Extraction Toolkit For Chemistry Literature [37.23189665773341]
  OpenChemIEは化学文献から反応データを抽出するツールである。 我々は、化学情報抽出の特定のタスクに対処する専門的なニューラルモデルを採用する。 我々は、パイプライン全体を評価するために、Rグループによる反応スキームの挑戦的なデータセットを慎重に注釈付けする。
  論文  参考訳（メタデータ） (2024-04-01T20:16:21Z)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)

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。