# 结构提取及表格识别

# 1.   结构提取及表格识别概述

结构提取及表格识别是一个能从专利、文献及各类图片中把化学结构和表格快速转换成可编辑格式的工具。众所周知，专利数据的挖掘和分析对于药物研发至关重要，但传统方法依赖药化专家手动整理大量专利，使用化学结构绘制工具手动绘制大量化学结构并标记活性数据，这个过程少则几天，多则数周。面对这一挑战，碳硅智慧开发了分子结构提取及表格识别模块，药物研发人员只需要将论文或专利的 PDF 文件上传，即可得到文件中的分子结构及表格数据。这个功能可以帮助药物研发人员解决“画结构式时，耗时长且易出错”、 “批量收集专利或文献中化学结构信息时，耗时长且易漏分析”的难题，节省绘制化学结构时间和人力、提高批量处理化学结构数据效率、快速搭建自有数据库。

# 2.   使用说明

用户只需要三个步骤就可以完成计算：上传文件(PDF 或者图片)-选择提取范围-提交任务(必点)。

# (1) 上传文件

平台提供了 2 种方式上传文件：本地文件和数据中心。

# - 本地文件

复选框默认选中“本地文件”，通过点击下方按钮选择本地文件即可。选择完文件以后，该文件名称将显示在按钮上，右边将显示文件内容。 关于上传的文件，当前支持的文件格式有.pdb、.jpg、.jpeg、.png、.bpm

# - 数据中心

复选框选中“数据中心”，通过点击下方按钮页面出现弹窗，点击文件名称来选择数据中心的数据，点击完之后弹窗消失，右边即可展示文件内容。

图 1. 上传文件——本地文件/数据中心

# (2) 选择提取范围

此处需指出您希望系统提取的文档页面范围。针对您上传的 pdf 文件，系统会解析文件的页数，并且在下方展示页面内容截图，您可通过手动勾选页面截图的方式选择提取范围，也可以勾选右上角的【全选】按钮，一键选中该文件中的所有页面。

图 2. 选择提取范围——手动勾选页面

# (3) 运行进度和结果查看

提交任务后，系统会立即进入结果页面，并逐页返回解析的分子和表格。对于已经解析的分子，您可以先校对结构和内容的准确性。或者您想等所有页面解析完成后你再分析时，您也可以跳转至其他页面，如跳转到其他模块或者当前模块的计算页面发起新的任务，此操作不会影响已提交任务的正常进行。您可以随时进入正在运行中的任务查看已解析的分子。

图 3. 查看结果——提交任务后跳转至结果页面的状态

图 4. 查看结果——返回了 2 页分子的结果页面，此时任务还在运行中

# 3. 结果分析

结果页面的展示，主要用于快速校对结构的准确性以及内容的准确性，我们提供了一系列功能帮助您进行校对和修改。左边是默认展示的 pdf 文件内容，在 pdf 查看器中，该结构周围会有一个浅蓝色定位框。点击该定位框，颜色从浅蓝色变成深蓝色，边框加粗，定位框下方会提供相关按钮(删除、编辑定位框、以及溯源的功能)。右边的内容，系统默认展示的是分子列表，此页面展示的是分子结构信息以及一些辅助信息，您也可以切换到图表页面，该页面主要展示图表的内容，您可以根据需求自行切换，通常情况下，这两个页面是相辅相成的，搭配使用会有更好的体验。

# 3.1 分子列表页面

分子列表页面展示的是所有被系统识别出来的分子，包括分子结构周围的信息以及定位信息。

图 5. 结果页面——分子列表

# 3.1.1 操作

操作列提供一些快捷图标，包括收藏、删除、复制、新增定位，可以帮助大家更好的标记分子

• 收藏。给分子打个标签，可以结合【收藏】功能，快速过滤出被收藏的分子。

• 复制。点击复制图标后，页面上会以下方气泡的形式进行二次确认，确认是复制 Smiles 还是复制条目，点击相应文字后，系统进行相应的提示。如您点击【复制 smiles】，若复制成功，页面上则提示用户复制成功，用户点击【复制条目】，则系统会在列表的最后复制相同的行，并立即跳转到复制的行，您可以修改调整该条目的信息。

• 删除。点击删除按钮后页面上会以下方气泡的形式进行二次确认。提示您“该操作不能恢复，确认删除该分子吗？“ 。

• 新增定位。在当这个分子在文章中出现了多次， 但是系统只识别出来一次时，可以使用该功能，将相同的分子归位这一个分子里面。

# 3.1.2 分子结构编辑

化学结构列主要展示的是识别的分子结构。对于识别的错误结构，您可以点击分子结构中右上角的编辑按钮，进入分子编辑页面。

当系统把一个片段结构识别成了一个完整结构时，您可以在编辑器中，鼠标悬浮在是断点的原子上-右键选择 Edit 进入编辑状态-在 Alias 里面，输入"星号"，以此来校正结构信息。有时候针对一些 Markush 结构，系统会把 R1，R2 等结构识别成其他内容，当出现类似错误时，也可以通过类似的方式，在 Alias 里面输入 R1、R2 进行修改。

图 6. 分子编辑器

# 3.1.3 编号

编号列是根据结构附近的信息自动识别出来的编号。当识别的编号信息有误时，您可以双击该单元格进入编辑状态，点击其他地方即可退出编辑状态且系统会提示修改成功。由于编号在系统中是唯一的，当您修改的编号与已有编号重复时，系统会提示，并且拒绝修改。

# 3.1.4 溯源

溯源列是为了帮助大家更好的对分子进行归类。当同一个分子可能会在文件中多次出现时，我们就可以该列信息知道该分子在文中出现了几次，并且点击 PX，可以快读定位到该分子所在的页面。

# 3.1.5 其他属性

其他属性列也是根据结构附近的信息自动识别出来的信息，此处不会与表格中的信息进行自动关联，如果您想查看表格中的信息，可以进入图表页面查看。当识别的信息有误时，您可以双击该单元格进入编辑状态，点击其他地方即可退出编辑状态且系统会提示修改成功。

# 3.1.6 删除无编号分子

点击该按钮后，表格中所有没有编号的分子都会被删除。点击该按钮后会以气泡框的形式进行二次确认，提示：该操作不能恢复，确认删除所有没有编号的分子吗？

# 3.1.7 批量删除分子

每个分子的前面都有一个复选框，当您同时勾选 2 个以上的分子，此时【批量删除】的按钮可用。点击该按钮后会以气泡框的形式进行二次确认，提示：该操作不能恢复，确认删除所选分子吗？

# 3.1.8 添加分子

当您发现系统有漏检的分子时，您可以点击【添加分子】按钮来解析该分子。点击该按钮后，页面上有【请在原文中框选分子结构或名称】或【退出】的提示。此时您可以滑动 pdf 文件，在漏检的分子上面画一个大小合适的定位框后，即可点击确认。此时系统将进入分析解析的过渡状态，当分子解析完成后页面将弹出分子编辑器，您可校对解析结构的准确性，如有错误可以在编辑器内修改，修改无误后点击确认后，该新增的分子将出现在表格的最后一行。

# 3.1.9 编辑定位框

当您发现检测的分子结构定位框出现偏移，导致结构识别不准时，您可以点击该分子结构的定位框，然后点击下方的编辑图标进入定位框大小的编辑页面，当您将定位框调整成合适大小后，即可点击确认。此时系统将进入分析解析的过渡状态，当分子解析完成后页面将弹出分子编辑器，您可校对解析结构的准确性，如有错误可以在编辑器内修改，修改无误后点击确认后，该新增的分子将出现在表格的最后一行。

# 3.2 图表页面

图表页面列举了所有识别的表格，并将解析到内容转换成了可编辑的格式，方便您的校对和修改。此外，系统还提供了一些高级功能来提升您的效率。如编号关联功能、拼接母核结构和 R 基。

图 7. 结果页面-图表

# 3.2.1 切换表格

该区域展示的是系统解析到的所有表格截图。系统默认选中并展示识别到的第一个表格。当您想看其他表格内容时，点击该表格截图，系统将快速定位到 pdf 中该表格的位置，并在右侧展示解析的表格内容。当发现存在误检的情况时，鼠标放在该截图上，图片的下方会出现删除图标，点击删除即可删除该错误信息。

# 3.2.2 展开/收起表格截图

该功能的设置主要方便您聚焦表格内容，并提供更多的空间展示表格的内容。

# 3.2.3 关联编号

系统中的编号是唯一的。当表格中只有编号没有结构，结构在其他地方显示的情况下，您可以选中表格中代表编号的那列，然后点击关联编号按钮，系统会搜索分子列表中与该编号一致的分子，搜到一样的编号则意味着是同一个分子，那么在表格页面也会展示这个分子的结构信息。关联到结构信息后，系统默认展示该分子结构的 smiles，用户可以通过【2D 结构】按钮来实现显示/隐藏 2D 结构。当您发现关联失败时，大概率是是表格中的编号与分子列表中的编号不一致，此时您可以修改任意编号做到编号一摸一样时，再次使用关联功能，可以成功关联上。

# 3.2.4 插入行/插入列

当您选中某一个单元格以后，该插入行/插入列可用。系统会根据您的选择插入空的行和列，由用户手动填写表格中的信息。

# 3.2.5 删除

当您选中某一个单元格以后，该删除按钮可用，系统会根据您的操作来删除某一行或者某一列。此操作不可恢复，需慎重使用。

# 3.2.6 拼接

该功能支持拼接母核结构和 R 基。用户点击拼接按钮后，系统会用弹窗的方式提示用户选择需要拼接的母核信息和 R 基列，之后系统就会根据输入去拼接结构，并在 R 基列后面新增一个 structure 列，以此来显示拼接后的完整分子结构。需要注意的是，根据母核结构的不同，系统的拼接标准也不一样。

• 当母核结构上只有一个 R 基，也就是一个断点时，无论您指定的 R 基列叫什么名字，系统会基于该列的信息去做拼接，此时的要求相对宽松；

• 当母核结构上有多个 R 基，也就是多个断点时，解析的母核上的 R 基名称与拼接列的 R 基名称需要一一对应(不区分上下角标，母核 R1 对应列名 R1，母核 R2 对应列名 R2)，否则会拼接失败。

# 3.2.7 新增表格

当系统漏检了表格时，可使用该功能新增表格。

当您发现系统有漏检的表格时，您可以点击【新增表格】按钮来解析该表格。点击该按钮后，页面上有【请在原文中框选表格】或【退出】的提示。此时您可以滑动 pdf 文件，在漏检的表格上面画一个大小合适的定位框后，即可点击确认。此时系统将进入分析解析的过渡状态，当表格解析完成后页面将提示解析成功或者解析失败。

# 3.2.8 新增母核结构

当表格中的分子是片段结构时，此时应该有一个母核分子与之相对应。当系统没有识别到母核结构时，您可以通过该按钮新增母核结构，继而再使用拼接功能。

# 3.2.9 2D 结构

全称为显示/隐藏 2D 结构。当表格中没有可显示的 2D 结构时，该按钮不可用。当表格有可显示的 2D 结构时，系统默认显示 smiles 的信息，选中 2D 结构后，系统将 smiles 转换成 2D 结构。

# 3.2.10 表格编辑

您可以双击该单元格进入编辑状态，点击其他地方即可退出编辑状态且系统会提示修改成功。

# 3.3 保存

点击“保存”，系统将弹出下拉框让你选择保存的文件格式(目前仅支持.csv)。在分子列表页面，系统保存的是当前条件下的分子。如在未勾选收藏时，将下载分子列表中所有的分子，如勾选了收藏进行保存时，则系统只会保存收藏的分子。在图表页面，点击保存会保存当前表格的内容到数据中心

# 3.4 下载

点击“下载”，系统将弹出下拉框让你选择下载的文件格式(目前仅支持.csv)。在分子列表页面，系统下载当前条件下的所有分子。如在未勾选收藏时，将下载分子列表中所有的分子，如勾选了收藏按钮，则系统只会下载收藏的分子。在图表页面，点击下载则会下载当前表格的内容至您的本地设备上。

点击“下载”，系统将弹出下拉框让你选择下载的文件格式(目前仅支持.csv/.sdf)。确定好下载的文件样式后，系统将根据你的显示隐藏列的条件和高级筛选的条件，保存相应的数据为 sdf 或 csv 文件至你的本地设备上。

# 3.5 创建新任务

创建新任务的前提是先保存数据为一个文件，在未执行保存操作之前，该按钮为禁用状态，当将结果保存成新的文件后，该按钮为可用状态。此时点击该按钮，系统将弹出下拉框让你选择需要计算的模块，点击后系统将立即开一个新的标签页，并将你保存的数据集一并带过去，在调整参数后即可提交新的任务。

# 4. 相关文献

暂无