MolGrapher：基于图的化学结构视觉识别
计算机视觉与模式识别
2024-08-29 v1
摘要
化学文献的自动分析在加速新材料与药物发现方面具有巨大潜力。专利文件与科学文章中的大量关键信息包含在描绘分子结构的图中。然而，由于信息量大、绘图风格多样以及训练数据的需求，自动解析精确的化学结构是一项艰巨挑战。在本工作中，我们引入MolGrapher以视觉方式识别化学结构。首先，一个深度关键点检测器检测原子。其次，我们将所有候选原子与化学键视为节点并置于图中。这一构造允许分子的自然图表示。最后，我们使用图神经网络对图中的原子与键节点进行分类。为解决真实训练数据的缺乏，我们提出了一种合成数据生成流程，可生成多样且逼真的结果。此外，我们引入了一个大规模标注真实分子图像基准USPTO-30K，以推动这一关键主题的研究。在五个数据集上的大量实验表明，我们的方法在大多数设定下显著优于经典方法与基于学习的方法。代码、模型与数据集均已公开。
引用
@article{arxiv.2308.12234,
title = {MolGrapher: Graph-based Visual Recognition of Chemical Structures},
author = {Lucas Morin and Martin Danelljan and Maria Isabel Agea and Ahmed Nassar and Valery Weber and Ingmar Meijer and Peter Staar and Fisher Yu},
journal= {arXiv preprint arXiv:2308.12234},
year = {2024}
}