Doc2SAR：从科学文献中提取结构-活性关系的高保真协同框架
计算与语言
2025-10-14 v2 人工智能
信息检索
摘要
从科学文献和专利中提取分子结构-活性关系 (SAR) 是药物发现和材料研究中的关键任务。然而，该任务因文档格式异构且现有方法局限性而仍具挑战。具体而言，依赖刚性模板的规则化方法难以在多样化文档布局上泛化，而通用多模态大语言模型 (MLLM) 则缺乏针对专业任务（如布局检测和光学化学结构识别 OCSR）的足够精度和可靠性。为此，我们构建了 DocSAR-200，即包含 200 份科学文档的严格标注基准数据集，专为评估 SAR 提取方法而设计。此外，我们提出 Doc2SAR，一种新型协同框架，集成领域特定工具与经过监督微调 (SFT) 的 MLLM。广泛实验表明，Doc2SAR 在各种文档类型上实现了最先进的性能，显著优于领先的端到端基线方法。在 DocSAR-200 上的整体表格召回率达 80.78%，超越端到端的 GPT-4o 高出 51.48%。此外，Doc2SAR 还展示了通过高效推理实现的实际可用性，并附带一个 Web 应用。
引用
@article{arxiv.2506.21625,
title = {Doc2SAR: A Synergistic Framework for High-Fidelity Extraction of Structure-Activity Relationships from Scientific Documents},
author = {Jiaxi Zhuang and Kangning Li and Jue Hou and Mingjun Xu and Zhifeng Gao and Hengxing Cai},
journal= {arXiv preprint arXiv:2506.21625},
year = {2025}
}