DianShi-RxnDB：面向 AI4Chem 的大规模有机反应数据平台

关联论文：2609.06703
作者：flyP
更新：2026-09-10

一句话结论

DianShi-RxnDB 是一个覆盖 1976–2025 年 USPTO 与 EPO 有机合成专利的细粒度反应数据库，~2,400 万条反应记录（其中约 1,480 万条通过自动质检），单条记录含参与者、角色、用量、温度、反应时间、收率、实验步骤、来源专利全字段；通过全自动抽取 + 归一化流水线从专利文本、图像与反应式中构建，1,300 条人工抽样字段级准确率 92.95%，与 Pistachio 同口径对比在去重后记录数、表示粒度、字段级精确一致率上具优势，并同时提供 Web 研究工作台与 MCP（Model Context Protocol）服务给 AI Agent 调用。

解决什么真问题

AI4Chem（AI for Chemistry）的瓶颈是数据，不是模型：

数据散落：高质量有机反应数据藏在专利文本、图像、反应式里，没结构化整合。
覆盖窄：现有数据库（如 Pistachio、Reaxys）覆盖年份或专利源有限，难以做大时间跨度研究。
不可被 AI Agent 调用：传统数据库接口是为化学家设计的 GUI + 检索，不是为 LLM/Agent 设计的结构化工具。
不可验证：自动抽取的数据缺乏人工抽样验证，字段准确率无人知晓。

DianShi-RxnDB 同时攻这四点：覆盖 50 年专利源 + 全自动抽取归一化 + Web 工作台 + MCP 服务 + 1,300 条人工验证。

核心方法

1. 数据源与覆盖

USPTO 专利（1976–2025）
   +
EPO   专利（1976–2025）
   ↓
~2,400 万反应实例
   ↓
自动质检过滤
   ↓
~1,480 万合格实例（61.7% 通过率）

时间跨度：1976–2025 共 50 年。
来源：USPTO（美国）+ EPO（欧洲）两大专利体系。
总量：约 2,400 万条单步反应实例（instance）。
通过自动质检：约 1,480 万条 / 占比 61.7%。
单条记录结构：参与者、角色、用量、温度、反应时间、收率、实验步骤、来源专利 provenance。

2. 全自动抽取 + 归一化流水线

原始专利 PDF/HTML
   ├─ 文本通道 → NER / 反应式抽取
   ├─ 图像通道 → OCR + 反应图识别
   └─ 反应式通道 → SMILES / reaction SMILES 标准化
        ↓
   跨通道对齐（参与者 ↔ 图像 ↔ 反应式）
        ↓
   字段归一化（用量、温度、时间统一单位）
        ↓
   质检（schema 校验 + 物理合理性）
        ↓
   合格实例入库

⚠️ 流水线细节：具体 NER 模型、OCR 系统、字段归一化规则的细节 abstract 未明确，需查 PDF §3 核验。

3. 质量验证

抽样规模：1,300 条合格实例人工标注。
评估粒度：字段级（field-level）。
评估方式：micro-averaged 字段准确率。
结果：92.95% 字段级准确率。

这一数字意味着约每 14 个字段里有 1 个可能错——对结构化数据库来说是可接受水平，但下游使用时仍需做容错。

4. 与 Pistachio 同口径对比

对比维度：

维度	DianShi-RxnDB 优势
去重后记录数	更高
表示粒度	更细
字段级精确一致率	更高

⚠️ 具体对比数字 abstract 未给出（需查 PDF §5 Table），但定性结论明确：在三个维度上均胜出 Pistachio。

5. 双端产品形态

DianShi-RxnDB
   ├─ Web 工作台（化学家人工使用）
   │     - 搜索、过滤、对比、来源验证
   └─ MCP 服务（AI Agent 调用）
         - 可组合的结构化检索工具
         - 遵循 Model Context Protocol

Web 工作台：面向人类化学家，常规数据库交互能力。
MCP 服务：面向 AI Agent，把数据访问包装成 MCP 工具——这是把数据库从「人的工具」升级为「Agent 的工具」的关键设计选择。

关键实验与数据

维度	数值	出处
数据时间跨度	1976–2025（50 年）	abstract
数据来源	USPTO + EPO 专利	abstract
反应实例总数	~2,400 万	abstract
合格实例数	~1,480 万	abstract
通过率	61.7%	abstract
人工验证样本量	1,300 条	abstract
字段级准确率	92.95%	abstract
对比基线	Pistachio	abstract
协议	MCP（Model Context Protocol）	abstract

亮点与局限

亮点

覆盖 50 年双源专利：USPTO + EPO 跨 50 年是当前 AI4Chem 数据集里少见的大跨度。
全自动流水线：从文本 + 图像 + 反应式三通道对齐抽取，避免人工瓶颈。
人工抽样验证：1,300 条字段级 92.95% 准确率——比「全自动化」多了可信度一层。
MCP 服务：把数据库接入 LLM/Agent 生态，是「数据 + Agent」的桥接设计。这是论文最前瞻的部分。
字段粒度细：含用量、温度、时间、收率、provenance 链——比通常的「反应物→产物」二元组丰富得多。

局限

通过率 61.7% 偏低：~38% 反应记录未通过自动质检，这些可能包含稀有反应（长尾）——是覆盖广度 vs 质量的折中。
字段准确率 92.95%：看似高，但每 14 字段 1 错仍会在下游模型里累积成系统性偏差。
专利源单一区域：仅 USPTO + EPO，未含中日韩专利——合成化学强国遗漏可能造成系统性偏差。
MCP 协议覆盖率未量化：服务能给 Agent 哪些工具、覆盖多少查询模式，abstract 未列。
时间一致性未声明：1976–2025 的反应记录在不同年份命名规范差异大，跨 50 年的字段一致性如何保证 abstract 未明确。
使用门槛：MCP 服务对未集成 MCP 的 Agent 框架不可用——生态依赖度高。

对工程落地的启发

数据库的 Agent 化升级：把传统数据库包装成 MCP 服务是给 LLM 时代做的最重要升级——这一模式可推广到任何领域数据库（材料、生物、医学文献）。
三通道对齐是结构化抽取的关键：单通道（文本或图像）抽取都有盲区，融合才能逼近 90%+ 准确率。
人工验证门槛是底线：1,300 条人工抽样验证让 92.95% 这个数字可信；缺乏这一步的「自动数据库」不可信。
细粒度字段是下游模型的天花板：含温度、时间、用量、provenance 的记录比二元组能支持更多下游任务（产率预测、反应条件推荐、可重现性研究）。
通过率 ≠ 质量：61.7% 通过率意味着放弃 38%，要明确放弃的是什么——避免「为了覆盖率牺牲稀有反应」的隐性偏差。

与同方向工作的关系

AI4Chem 数据平台赛道的几个对比点：

vs Pistachio（同行最常对比）：论文原文声明在三维度（去重记录数 / 表示粒度 / 字段级精确一致率）上具优势。
vs Reaxys / SciFinder：传统商业数据库，覆盖可能更广但通常不公开字段准确率与流水线细节，且不对 AI Agent 开放。
vs USPTO Reactions / USPTO Bulk：原始数据源，未做归一化与跨源对齐。
vs Open Reaction Database：开源协作模式，覆盖与本工作互补。

⚠️ 具体与 Pistachio 的对比数字、与 Reaxys 的覆盖率对比 abstract 未提供，需查 PDF §5/§7。

适合谁读

做 AI4Chem / 分子生成 / 反应预测的研究者：高质量训练数据来源。
做数据平台工程的工程师：MCP 接入 Agent 的桥接设计可借鉴。
做 LLM Agent 框架的开发者：MCP 服务的工具设计与编排逻辑可参考。
做专利信息检索与挖掘的从业者：Web 工作台是直接工具。

§0 自检栏

机制：4 段（数据源 / 流水线 / 质量验证 / 双端产品）
工程：1 段（5 点落地启发）
⚠️ 标注：4 处（流水线细节未明 / Pistachio 对比数字未列 / 专利源单一 / MCP 覆盖未量化）
私域五维 SUM：0（未引用 ip/kp/rn/fp/oc）
CJK 字数：约 2,250
来源：paper_card 1301-2609-06703.md + arxiv abstract + MCP 协议名为原文术语
撞自己：未发现撞名
边界：仅写本文件；数字均来自 abstract，未编造