|
2022年7月1日，来自华东理工大学的李洪林等人在Journal of Cheminfomatics上发表文章，提出了SwinOCSR，这是一种基于Swin Transformer的端到端模型。该模型使用Swin Transformer作为骨干来提取图像，以将化学结构信息从出版物转换为SMILES。实验结果表明，模型明显优于所比较的方法，证明了模型的有效性。此外，作者使用focal loss来解决化学结构图的文本表示中的标签不平衡问题。  背景 光学化学结构识别（Optical chemical structure recognition，OCSR）是指利用光学字符识别（Optical character recognition，OCR）从科学出版物中识别出化学结构图。 科学出版物印刷的化学结构通常采用PDF或者图像格式。它们不能直接地被计算机使用，因为它们不是分子的机器可读表示。OCSR的目的是正确地将此化学结构信息转换为机器可读的表示形式，例如SMILES。随着化学领域科学出版物继续呈指数增长，OCSR在化学的许多子领域中起着至关重要的作用，例如有机合成，天然产物研究，药物发现等。然而，OCSR耗时且容易出错，并且需要领域知识以消除结构中的歧义。 OCSR任务是将化学结构图转换为可读的文本表示的过程。研究者们已经提出了几种基于深度学习的OCSR方法。例如，DECIMER 1.0[4]使用EfficientNet-B3 和Transformer来搭建OCSR模型。Image2SMILES[5]使用ResNet-50作为骨干（backbone）来提取图像特征，利用Transformer解码。在这些方法中，许多CNN及其变体被用作骨干，以在OCSR任务中提取图像功能。Swin Transformer模型是一种最新的骨干，超过了计算机视觉领域的许多先前模型。 为了学习全局表示并获得更全面的化学结构信息，作者使用Swin Transformer作为骨干，来提取分子的图像特征。此外，相比于自然语言来说，分子的文本表示中，一个明显的现象是，分子中元素的出现频率不平衡。例如，C，H和O出现更频繁，而Br，Cl等出现的频率较低。这会导致文本表示中标签的不平衡。为此，作者使用focal loss来解决不平衡问题。这种端到端的深度学习方法，学习了分子的全局表示形式，与其他方法相比，也获得了更丰富的图像特征。 方法 SwinOCSR模型如图1所示，由Backbone，Transformer编码器和Transformer解码器组成。首先，Backbone从输入分子图像中提取图像特征，以获得高维序列。接下来，将序列和位置信息嵌入Transformer编码器中以输出表示序列。最后，Transformer解码器使用表示序列来解码相应的SMILES。  图1. SwinOCSR模型图 Backbone是基于图2所示结构来构建的。首先，分子图像被分配到非重叠的切片中，切片的大小为4×4。它的特征为原始像素RGB值。然后，将线性嵌入层用于将此原始值的功能投射到特定维度（这里设为192），并使用多个Swin Transformer块来提取功能信息。如图3所示，每个Swin Transformer块包含两个重要的模块，窗口多头自注意力（window multi-head self attention，W-MSA）和滑动窗口多头自注意力（shift window multi-head self attention，SW-MSA）模块。 W-MSA用于在窗口中提取局部特征信息。SW-MSA用于在Windows之间提取全局特征信息。这显著增强了Swin Transformer的特征提取能力。这个过程就是图2中的“阶段1”。在阶段2-4中，为了生成层次表示，Swin Transfromer不使用通常在CNN中使用的池化，而是采用合并相邻的片以减少特征图的大小，避免信息丢失。最后，为了构建一个序列作为编码器输入，空间维度中的特征被拉平，从而产生代表化学结构信息的序列。  图2. Backbone模块  图3. Swin Transformer块 编码模块由位置编码操作和六个Transformer encoder层组成，每个层都包含两个特定的子层。第一个子层是多头注意力层，第二个是MLP层。如图4所示，每个子层之后都有一个残差连接操作和归一化操作。多头注意力层的Q，K和V，是通过将三个可学习的权重矩阵与输入序列相乘而得到。然后，注意力函数用于将Q和一组K-V对映射到输出。获得计算结果后，将数据传输到MLP层。  图4. 编码器 解码模块由位置编码操作，六个Transformer decoder层，线性层和SoftMax层组成。Transformer decoder层包含三个特定的子层。第一个子层是一个包含掩模的多头注意力层，接收来自上一个子层的信息。第二个子层是多头注意力层，融合来自上一个子层的信息与编码器输出的信息。第三个是MLP层。与编码模块类似，每个子层兼有残差连接和归一化，如图5所示。解码输出通过线性层和SoftMax层得到最终的SMILES输出。  图5. 解码器 为解决元素类别不均衡（C, H, O等少数几种元素出现频率远高于其他元素）问题，使用multi-label focal loss（MFL）作为损失函数。给定n个类别，该模型在SoftMax后，每类输出一个得分oi，i=1,2,…,n，用σ表示sigmoid函数，每个标签的概率pi为  实验 如表所示，使用MFL作为损失函数，准确度高于交叉熵（CE）损失。  随着训练轮次的增加，损失函数曲线图和准确度曲线图表明，以Swin Transformer作为backbone，优于以ResNet作为backbone的OCSR模型Image2SMILES[5]，和以EfficientNet作为backbone的DECIMER 1.0[4]。  图6. 损失函数曲线图  图7. 准确度曲线图 下表在两种具体分子上做了案例分析。SwinOCSR从图片中提取的SMILES（Predicted SMILES from the real-world image）与实际的SMILES（Manual-labeled SMILES）一致。接着，用CDK（chemistry development kit）从实际的SMILES中生成分子图像，用SwinOCSR识别生成的图片，得到的结果（Predicted SMILES from the generated image）依然正确。  总结 在这项研究中，作者提出了一种端到端的化学结构图像识别方法SwinOCSR，该方法可以直接识别原始化学结构图而无需手动提取特征。与现有的方法相比，SwinOCSR具有更高的精度和更快的收敛速度，可以有效地提取化学结构的关键特征，并捕获化学结构图和SMILES之间的对应关系。 参考资料 [1]Xu et al., SwinOCSR: end‑to‑end optical chemical structure recognition using a Swin Transformer, J Cheminform, 2022 [2]Liu et al., Swin transformer: Hierarchical vision transformer using shifted windows, in ICCV, 2021 [3]Lin et al., Focal loss for dense object detection, in ICCV, 2017 [4]Rajan et al., DECIMER 1.0: Deep Learning for Chemical Image Recognition using Transformers. J Cheminform, 2021 [5]Khokhlov et al., Image2SMILES: transformer-based molecular optical recognition engine. Chem Meth, 2021 |
|
|
