化学结构图识别与修正
场景方案从专利、文献与实验记录中提取并修正化学结构图：化合物全称、Markush 通式、不定型结构与复杂取代基。输出 SMILES / InChI 结构化数据集，每条数据可溯源。
OCSRMarkush结构绘制
§ 01
这个领域的数据特点
三种形态，三套处理路径结构：以图像传播，靠判定收敛
化学信息主要以结构式的形式呈现，而结构式是图，不是文本。自动识别工具在规整排布的专利表格上表现不错，但一到不定型结构、Markush 通式、跨页结构、被遮挡的取代基，就必须由具备化学背景的人来判定。
更麻烦的是错误没有报错机制：模型可能输出语法合法、价态却不成立的结构，例如五价碳。这类结果会安静地进入数据集，等模型行为异常时才被回溯发现。
实体：一个化合物有多个名字
系统命名、俗名、缩写、研发代码，同一物质在不同文献与专利版本里可能用完全不同的写法。这不只是表述差异——它决定了数据库里这些记录能不能被识别为同一个实体。
反应：信息是关系型的
原料、中间体、产物、试剂、溶剂、产率，以及温度、时间、催化剂等反应条件，是一组互相绑定的关系。单独标注任何一项都无法还原这个反应，必须成组处理。
§ 02
我们处理的子任务
按数据形态划分
实体
化学实体识别与归一
系统命名、俗名、缩写、研发代码的识别与同一实体关联，保留原文写法并另立归一字段
实体层
结构
结构图识别与修正
化合物全称、Markush 通式、不定型结构与复杂取代基的识别与结构绘制修正
OCSR
反应
合成路线关系抽取
有机合成与药物合成文献中的原料、中间体、产物、试剂、溶剂、产率等实体与关系联合标注
关系抽取
条件
反应条件抽取
温度、时间、催化剂、溶剂体系与后处理步骤的提取，保留原文表述与范围值
条件层
多语种混用与范围值描述都在处理范围内。中文专利、英文专利、学术文献与实验记录的版式差异较大，处理路径分别设计，但共用同一套 Schema 设计方法。
§ 04
常见问题
合作前常被问到的问题化学数据标注和一般文本标注差别在哪？
差别在于数据不只以文本存在。结构是图，需要识别加判定的双重处理；反应信息是关系型的，必须成组标注。文本标注有容错空间，这里没有——一个键画错，化合物身份就变了。
同一个化合物有多个名称，怎么归一？
系统命名、俗名、缩写、研发代码都按原文保留并分别记录，同时建立指向同一实体的关联。不强行替换为唯一名称——专利族里不同版本使用不同称谓是常态，替换会让回溯核对失去入口。
中英文专利族怎么处理？
按项目约定保留原文表述并另立归一字段。同一物质在中英文版本里的名称、编号与实施例编号可能不一致，保留原文才能逐一核对。
反应数据为什么要成组标注？
因为反应信息是关系型的：原料、中间体、产物、试剂、溶剂、产率之间是一组绑定关系，单独标注任何一项都无法还原反应。成组标注才能让下游直接用于路线检索与合成规划。
输出是什么格式？
以 JSON / CSV / Excel 交付，字段与共建的 Schema 一一对应；结构以 SMILES / InChI 输出，实体与关系分为可关联的表，并保留原文出处定位。