論文の概要: OPRD-Imp: a dataset of experimentally observed impurities and side products in multi-step pharmaceutical syntheses

• arxiv url: http://arxiv.org/abs/2611.07488v1
• Date: Thu, 05 Nov 2026 05:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.559674
• Title: OPRD-Imp: a dataset of experimentally observed impurities and side products in multi-step pharmaceutical syntheses
• Title（参考訳）: OPRD-Imp:多段階医薬合成における実験的不純物および副産物のデータセット
• Abstract要約: 有機プロセス研究・開発における62の論文から得られた229の有機反応のデータセットであるOPRD-Impについて述べる。 合計784個の不純物エントリが提供され、4つの起源カテゴリに分類される。 OPRD-Impは、反応の不純物を予測するモデルを評価するためのベンチマークリソースとして機能することを意図している。
• 参考スコア（独自算出の注目度）: 12.405685960535592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting reaction impurities is a critical yet persistently data-limited challenge in pharmaceutical process chemistry. While machine learning models for reaction outcome prediction have advanced rapidly, benchmarking their ability to predict impurities remains impractical due to the absence of curated, publicly accessible datasets. We present OPRD-Imp, a dataset of 229 organic reactions drawn from 62 publications in Organic Process Research & Development, each annotated with experimentally observed impurities and their mechanistic origins. A total of 784 impurity entries is provided, classified into four origin categories. Reactions are represented as reaction SMILES and impurities as individual SMILES strings, with multi-step synthetic route connectivity preserved. All data were manually extracted from the source publications by trained chemists following a standardized extraction protocol, with expert chemical validation and manual structure drawing. OPRD-Imp is intended to serve as a benchmark resource for evaluating models that predict reaction impurities, providing experimentally reported impurity annotations and mechanistic origin labels that are not systematically represented in conventional reaction datasets.
• Abstract（参考訳）: 反応の不純物を予測することは、医薬品のプロセス化学における決定的かつ永続的なデータ制限の課題である。 反応結果予測のための機械学習モデルは急速に進歩しているが、キュレートされた公開データセットがないため、不純物を予測する能力のベンチマークは実用的ではない。 有機プロセス研究・開発における62の論文から得られた229の有機反応のデータセットであるOPRD-Impについて検討した。 合計784個の不純物エントリが提供され、4つの起源カテゴリに分類される。 反応は反応SMILESとして、不純物は個々のSMILES文字列として表現され、多段階の合成経路接続が保存される。 すべてのデータは、標準化された抽出プロトコルに従って、訓練された化学者によってソースから手動で抽出され、専門的な化学検証と手作業による構造図が作成された。 OPRD-Impは、反応の不純物を予測するモデルを評価するためのベンチマークリソースとして機能することを目的としており、実験的に報告された不純物アノテーションと従来の反応データセットでは体系的に表現されていない機械的原産地ラベルを提供する。

関連論文リスト

• RxnMiner: A Multimodal Agent for Structured Reaction Data Extraction from Chemistry Figures [15.534871240259967]
  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。
  論文  参考訳（メタデータ） (2026-11-02T09:24:55Z)
• 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)
• 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)
• 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)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Dataset Bias in the Natural Sciences: A Case Study in Chemical Reaction Prediction and Synthesis Design [0.8594140167290099]
  化学反応予測と合成設計の分野における方向変化を必要とする3つのトレンドを同定する。 まず、反応データセットを反応物質と試薬に分解する方法は、非現実的な寛大な方法でテストモデルを奨励する。 第2に,誤記データの発生状況に注目し,データ適合性ではなく,異常除去に重点を置くべきであることを示唆する。
  論文  参考訳（メタデータ） (2021-05-06T13:11:56Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

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。