使用
（1）化合物结构表：
（2）化合物活性/ADMET表格1：
（3）化合物活性/ADMET表格2：
模块信息
介绍文档
| 编号 | 483 | |
| 名称 | MolCurator | |
| 封面 |  | |
| 描述 | MolCurator是一款面向医药专利的智能解析系统，专注于自动化提取文献中的化学结构与生物活性数据。<a href="https://wemol.wecomput.com/ui/#/authentication?appId=1&redirectUrl=https%3A%2F%2Fmolseekerai.com%2F%23%2Fsso%2Fwemol">Link</a> | |
| 标签 |
| |
| 作者 | WECOMPUT | |
| 发布时间 | 2025-09-04 00:00:00 | |
| 参考文献 | ||
目录导航
- 简介
- 参数说明
- PDF File
- 结果说明
- （1）化合物结构表：patent_name_structures.csv
- （2）化合物活性/ADMET表格1：patent_name_activities_agg.csv
- （3）化合物活性/ADMET表格2：patent_name_activities_plain.csv
MolCurator
简介
MolCurator是一款面向医药专利的智能解析系统，专注于自动化提取文献中的化学结构与生物活性数据。系统融合OCR、NLP、化学结构识别（CSR）与多智能体协同推理架构（MACRA），构建了完整的端到端分子信息结构化流程。
MolCurator可精准解析专利文献中的化合物结构、编号、生物活性指标（如IC50、EC50、Ki等）及ADMET性质（如溶解度、代谢稳定性、hERG抑制等），并自动生成标准化、可计算的结构化表格数据，在复杂排版与低质量图像条件下依然保持卓越的准确性与鲁棒性。该模块大幅降低了人工数据整理的成本，为先导化合物溯源、SAR分析、专利规避设计以及AI驱动的分子生成提供高质量输入。
参数说明
PDF File
待解析的PDF专利文件。支持扫描版与原生PDF。
MolCurator 支持对药物化学类专利中常见的多种信息模式进行结构化提取：
- 化合物结构提取：识别化学结构图、结构编号（如“Compound 1”、“Example 32”）、化学名称及对应的SMILES表示。
- 生物活性数据提取：提取与化合物关联的药理学终点，包括但不限于 IC50、EC50、Ki、Kd、ED50、Inhibition (%) 等。
- ADMET性质提取：识别例如溶解度（Solubility）、血浆蛋白结合率（PPB）、CYP抑制、hERG阻断、微粒体稳定性等ADMET体外数据以及口服生物利用度等关键DMPK参数。
结果说明
MolCurator 输出的3个csv文件：patent_activities_agg.csv、patent_activities_plain.csv和patent_structures.csv均采用UTF-8编码，兼容主流数据分析工具（如Pandas、Excel、Spotfire、KNIME等）。
（1）化合物结构表：patent_name_structures.csv
输出示例如下：
| page_number | compound_id | Label | smiles | smiles_processed | match_confidence | activity_columns_1 (unit1) | activity_columns_2 (unit2) | activity_columns_3 (unit3) |
|---|---|---|---|---|---|---|---|---|
| 15 | Compound 1 | CC©Nc1ccc(O)cc1 | CC©Nc1ccc(O)cc1 | high | 1.0 | 2.5 | 0.8 | |
| 16 | 2a | 中间体 | [*]Oc1c(O)ccc(C=O)c1 | [*]Oc1c(O)ccc(C=O)c1 | low | 3.1 | 1.7 | 2.0 |
| 17 | Formula I-a | Cc1nc©c(C(=O)Nc2ccccc2)s1 | Cc1nc©c(C(=O)Nc2ccccc2)s1 | |||||
| 23 | Formula I-a | Cc1nc©c(C(=O)Nc2ccccc2)s1 | Cc1nc©c(C(=O)Nc2ccccc2)s1 |
字段说明：
| 字段名 | 说明 |
|---|---|
| page_number | 化合物在专利 PDF 文件中的页码位置。 |
| compound_id | 专利原文中的化合物标识（如 Example 1、Compound 2a、Formula I-a、14 等）。 注意： 1. 如果化合物标识是"数字-数字"的格式，如6-1、10-2等，下载为csv表格打开后可能会转变为日期的格式，对应如6月1日、10月2日，需要设置compound_id列为字符串格式。 2. "compound_id"列与"名称"列相同。 |
| Label | 值为空或"中间体"；如果值是"中间体"说明系统判定此化合物为中间体化合物。 |
| smiles | 系统提取的原始 SMILES 字符串。 |
| smiles_processed | 标准化后的 SMILES 字符串（若 smiles 非法，则此字段为空），可直接被化学信息学工具读取。 |
| match_confidence | 化合物和活性数据匹配的置信度，值为"high"、“medium”、“low”；如果值是"high"说明此化合物和活性数据的匹配可信度高，值是"medium"说明此化合物和活性数据的匹配可信度中等，值是"low"说明此化合物和活性数据的匹配可信度低。 |
| activity_columns_1 (unit1) | 化合物活性/ADMET数据列终点1（对应的单位1），如IC50 (nM)，值为该终点的活性/ADMET实验数值。 |
| activity_columns_x (unitx) x=2,3… |
化合物活性/ADMET数据列终点x（对应的单位x），值为该终点的活性/ADMET实验数值。 |
（2）化合物活性/ADMET表格1：patent_name_activities_agg.csv
输出示例如下：
| compound_id | activity_columns_1 (unit1) | activity_columns_2 (unit2) | activity_columns_3 (unit3) | match_confidence | smiles_1 | smiles_2 | smiles_x… |
|---|---|---|---|---|---|---|---|
| Compound 1 | 1.0 | 2.5 | 0.8 | high | CC©Nc1ccc(O)cc1 | ||
| 2a | 3.1 | 1.7 | 2.0 | low | [*]Oc1c(O)ccc(C=O)c1 |
字段说明：
| 字段名 | 说明 |
|---|---|
| compound_id | 专利或文献中的化合物标识符（如 Example 1、Compound 2a、Formula I-a、14 等），与结构表中的 compound_id 一一对应。 注意： 1. 如果化合物标识是"数字-数字"的格式，如6-1、10-2等，下载为csv表格打开后可能会转变为日期的格式，对应如6月1日、10月2日，需要设置compound_id列为字符串格式。 2. "compound_id"列与"名称"列相同。 |
| activity_columns_1 (unit1) | 化合物活性/ADMET数据列终点1（对应的单位1），如IC50 (nM)，值为该终点的活性/ADMET实验数值。 |
| activity_columns_x (unitx) x=2,3… |
化合物活性/ADMET数据列终点x（对应的单位x），值为该终点的活性/ADMET实验数值。 |
| match_confidence | 活性数据和结构匹配的置信度，值为"high"、“medium”、“low”；如果值是"high"说明此活性数据和化合物的匹配可信度高，值是"medium"说明此活性数据和化合物的匹配可信度中等，值是"low"说明此活性数据和化合物的匹配可信度低。 |
| smiles_1 | 第一个化合物的原始 SMILES 字符串。 |
| smiles_x (x=2,3,…) | 第 2、3…个化合物的原始 SMILES 字符串，当compound_id匹配到多个不同结构时。 |
（3）化合物活性/ADMET表格2：patent_name_activities_plain.csv
输出示例如下：
| page_number | compound_id | endpoint | value | unit | match_confidence | smiles_1 | smiles_2 | smiles_x… |
|---|---|---|---|---|---|---|---|---|
| 40 | Compound 1 | taget1 IC50 | 1.0 | nM | high | CC©Nc1ccc(O)cc1 | ||
| 40 | Compound 1 | taget2 IC50 | 2.5 | nM | high | CC©Nc1ccc(O)cc1 | ||
| 40 | Compound 1 | taget3 IC50 | 0.8 | nM | high | CC©Nc1ccc(O)cc1 | ||
| 41 | 2a | taget1 IC50 | 3.1 | nM | low | [*]Oc1c(O)ccc(C=O)c1 | ||
| 41 | 2a | taget2 IC50 | 1.7 | nM | low | [*]Oc1c(O)ccc(C=O)c1 | ||
| 41 | 2a | taget3 IC50 | 2.0 | nM | low | [*]Oc1c(O)ccc(C=O)c1 |
字段说明：
| 字段名 | 说明 |
|---|---|
| page_number | 数据在专利 PDF 文件中的页码位置。 |
| compound_id | 专利或文献中的化合物标识符（如 Example 1、Compound 2a、Formula I-a、14 等），与结构表中的 compound_id 一一对应。 注意： 1. 如果化合物标识是"数字-数字"的格式，如6-1、10-2等，下载为csv表格打开后可能会转变为日期的格式，对应如6月1日、10月2日，需要设置compound_id列为字符串格式。 2. "compound_id"列与"名称"列相同。 |
| endpoint | 检测的生物学或 ADMET 终点名称（如 IC50、Solubility、BBB permeability 等）。 |
| value | 终点对应的实验实测值。 |
| unit | 实验数值的单位（如 µM、mg/mL、% 等）。 |
| match_confidence | 活性数据和结构匹配的置信度，值为"high"、“medium”、“low”；如果值是"high"说明此活性数据和化合物的匹配可信度高，值是"medium"说明此活性数据和化合物的匹配可信度中等，值是"low"说明此活性数据和化合物的匹配可信度低。 |
| smiles_1 | 第一个化合物的原始 SMILES 字符串。 |
| smiles_x (x=2,3,…) | 第 2、3…个化合物的原始 SMILES 字符串，当compound_id匹配到多个不同结构时。 |
