NYHET Ny forskning från Umeå universitet visar att AI-verktyg kan omvandla kemiska strukturer i patentbilder till sökbara digitala data med en träffsäkerhet på upp till 78 procent. Det är ett lovande steg mot varningssystem som kan uppmärksamma potentiellt farliga kemikalier innan de når marknaden. Men tekniken har fortfarande tydliga begränsningar när det gäller komplexa strukturer och bilder av låg kvalitet.
Patent är mycket mer än juridiska dokument som skyddar immateriella rättigheter. De är en omfattande källa till vetenskaplig information om kemikalier som håller på att utvecklas, ofta flera år innan de förekommer i produkter på marknaden. Därför är patent en värdefull datakälla för varningssystem som myndigheter använder för att identifiera potentiellt farliga kemikalier innan de utgör ett hot mot människors hälsa och miljön.
Ett problem är att en stor del av den kemiska informationen i patent är inlåst i ritningar. Molekylstrukturer och reaktionsscheman finns som bilder och kan därför inte hittas med textsökning. Mindre än 7 procent av de patent som granskades i studien innehöll bilder av kemiska strukturer. Men när sådana bilder förekommer är strukturerna i praktiken osynliga för datorer, om de inte först omvandlas till maskinläsbara format.
– Ett patent kan visa en ny molekyl flera år innan den börjar produceras i stor skala, säger Farina Tariq, doktorand vid Kemiska institutionen, Umeå universitet. Om vi kan lära datorer att läsa de här ritningarna kan forskare och myndigheter få möjlighet att tidigare undersöka kemikalier som kan vara problematiska. Men först behöver vi veta hur tillförlitliga AI-verktygen faktiskt är när de används på riktiga patentdokument, inte bara på tydliga bilder från databaser.
Farina Tariqs poster har använts som omslag för tidsskriften Chemical Research in Toxicology, American Chemical Society (ACS) 2026, Vol. 39,
Bild[Simon Jönsson]Arbetsflödet är enkelt: ett patent publiceras → ett AI-system identifierar en kemisk struktur i en bild → strukturen omvandlas till ett maskinläsbart format → systemet jämför den med kända kemikalier och kemikalieklasser → potentiellt problematiska eller helt nya strukturer uppmärksammas för expertgranskning.
När en struktur är maskinläsbar kan den kontrolleras mot kända faror: Är kemikalien redan känd? Liknar den strukturellt ett känt farligt ämne? Innehåller den egenskaper som förknippas med vissa faror? Eller är det en helt ny struktur som det finns lite information om? Om så är fallet, går det att beräkna dess potentiella faror?
I studien, som publicerades i tidskriften Chemical Research in Toxicology, testade forskarna tre vanligt använda verktyg för igenkänning av kemiska strukturer. Testerna genomfördes på två sammanställda datamängder från Europeiska patentverkets databas Espacenet: en med allmän organisk kemi och en med per- och polyfluorerade alkylsubstanser, PFAS. Därefter granskades de AI-genererade strukturerna av fem kemiexperter.
Resultaten visade två sidor. För standardiserade, tydligt ritade organiska strukturer fungerade alla tre verktygen väl, med en träffsäkerhet på omkring 74–78 procent. Verktygen avkodade aromatiska ringar, vanliga funktionella grupper och standardförkortningar korrekt. För PFAS-datamängden sjönk däremot prestandan kraftigt: för 26 av de 43 unika PFAS-strukturerna gav inget av verktygen ett korrekt resultat.
AI-verktygen kunde tolka många kemiska strukturer korrekt, men hade svårigheter med vissa av de komplexa sätt som kemikalier beskrivs på i patent. Äldre patentdokument, där bilder kan vara suddiga eller förvrängda, ledde också till fel.
– Om ett AI-system feltolkar en molekylstruktur bygger allt som följer på felaktig information, säger Farina Tariq. En felaktig struktur kan leda till onödiga riskreducerande åtgärder – eller ännu värre, till att en verkligt problematisk kemikalie inte upptäcks. Därför måste kvalitetskontroll och bedömning av osäkerheten byggas in i alla framtida automatiserade arbetsflöden.
Forskarna betonar att målet inte är att AI ska avgöra om en kemikalie är farlig. AI fungerar i stället som en översättare: verktyget omvandlar kemiska ritningar till digitala strukturer som kan jämföras med kända kemikalier, granskas efter oroande strukturella egenskaper och prioriteras för expertbedömning.
Bild[Simon Jönsson]
– Vår slutsats är inte att tekniken är redo att tas i bruk i morgon, säger Patrik Andersson, professor vid Kemiska institutionen och medförfattare till studien. Men nu har vi en realistisk bild av var verktygen fungerar och var de brister. Det är precis den kunskap som behövs innan automatiserad granskning av patent kan stärka framtidens tidiga varning för farliga kemikalier.
Läs hela artikeln: A Benchmark Evaluation of Chemical Structure Extraction from Patents: Insights and Challenges in Chemical Structure Recognition
För mer information, kontakta: Farina Tariq, farina.tariq@umu.se