Strukturen, die in PDFs, gescannten Berichten, Lieferantenkatalogen und alten Tabellen festsitzen, werden in zwei Stufen nutzbar: Extraktion, die aus einer Zeichnung oder einem Namen eine maschinenlesbare Struktur macht, und Standardisierung, die Tausende solcher Strukturen untereinander vergleichbar macht. Die meisten Projekte scheitern an der zweiten Stufe, nicht an der ersten. Eine Extraktion mit 90 % Treffern ist nützlich; eine Sammlung, in der dieselbe Verbindung als vier verschiedene Datensätze auftaucht, ist es nicht, egal wie sie extrahiert wurde.
Die vier Wege der Extraktion
| Quelle | Weg | Typische Zuverlässigkeit |
|---|---|---|
| Struktur im PDF als Vektorgrafik | Zeichenprimitive auslesen, dann interpretieren | Hoch, weil Bindungen und Atombeschriftungen echte Objekte sind |
| Struktur als Bitmap (Scan, Screenshot, Bild in einem Paper) | Optische Strukturerkennung | Gut bei sauberen Einzelstrukturen, schwächer bei gedrängten Schemata |
| Chemischer Name im Text | Name-zu-Struktur-Umwandlung | Hoch bei systematischen IUPAC-Namen, unzuverlässig bei Trivial- und Hausnamen |
| Kennung in einer Tabelle (CAS-Nummer, Katalognummer, interne ID) | Abgleich gegen Datenbank oder Register | Exakt, wenn die Kennung stimmt, stumm, wenn nicht |
In der Praxis braucht ein echtes Dokument alle vier. Der Methodenteil nennt Namen, eine Abbildung zeigt Zeichnungen, eine Tabelle enthält CAS-Nummern, und der Anhang ist ein Scan.
Wähle den Weg je Quelle, nicht je Projekt, und halte fest, welcher Weg welche Struktur geliefert hat. Findest du später eine falsche Struktur, sagt der Weg dir, ob es ein Einzelfall oder ein systematisches Problem ist.
Wo die Extraktion schiefgeht
- Stereochemie. Keil- und Strichbindungen in einem Bitmap gehen zuerst verloren. Eine ohne Stereodeskriptoren extrahierte Struktur ist eine andere Verbindung als die im Paper.
- R-Gruppen und Markush-Strukturen. Eine generische Struktur mit Substituentenvariablen ist keine einzelne Verbindung. Werkzeuge liefern oft den Kern und lassen die Variable stillschweigend weg.
- Ladungen, Salze und Solvate. Aus einem Hydrochlorid in der Zeichnung wird im Datensatz die freie Base, oder das Gegenion wird ein eigener Datensatz.
- Gedrängte Schemata. Reaktionspfeile, Reagenzien über dem Pfeil und überlappende Strukturen verwirren die Bitmap-Erkennung stärker als jedes einzelne Molekül.
- Trivial- und Hausnamen. "Verbindung 7b" löst sich zu nichts auf; ein Handelsname löst sich möglicherweise zur falschen Salzform auf.
Die praktische Folge: Die Extraktion braucht eine Konfidenzmarkierung je Struktur und eine Prüfliste für die unsicheren Fälle. Eine Verarbeitung, die still verwirft oder rät, ist schlechter als eine, die weniger extrahiert und das sagt.
Standardisierung: die Stufe, die über die Nutzbarkeit entscheidet
Sobald Strukturen vorliegen, müssen sie auf eine Darstellung gebracht werden. Eine praktikable Reihenfolge:
1. Prüfen. Lässt sich die Struktur einlesen, sind die Valenzen plausibel, gibt es getrennte Fragmente, die nicht hingehören? 2. Salze und Solvate abtrennen in ein eigenes Feld, die Stammstruktur bleibt der Hauptdatensatz. Entscheide die Regel einmal: größtes Fragment oder eine kuratierte Salzliste. 3. Ladungen neutralisieren oder standardisieren nach einer Konvention, die ursprüngliche Form in ein zweites Feld. 4. Funktionelle Gruppen normalisieren: Nitro, Azid, Sulfoxid und andere Gruppen haben mehrere gültige Zeichnungen. Eine Konvention je Gruppe. 5. Tautomere standardisieren für die Dublettenerkennung, die Originalzeichnung bleibt erhalten. Ein tautomerstandardisierter Schlüssel dient dem Abgleich, nicht dem Bericht. 6. Stereochemie ausdrücklich behandeln. Markiere Strukturen mit undefinierten Stereozentren als solche. Lass ein undefiniertes Zentrum nie als bestimmte Konfiguration interpretieren. 7. Schlüssel erzeugen. Eine kanonische Strukturzeichenkette plus InChIKey und für die Dublettenerkennung einen tautomerunempfindlichen Schlüssel.
Dann über die Schlüssel entdoppeln, nicht über Namen. Namen sind in jedem chemischen Datensatz die unzuverlässigste Kennung.
Wie du das Ergebnis prüfst
Drei Prüfungen finden die meisten Probleme und kosten wenig:
- Rückweg. Wandle die extrahierte Struktur zurück in eine Zeichnung und vergleiche mit dem Quellbild, für eine Zufallsstichprobe von 50 bis 100 Strukturen. Das findet systematischen Stereo- und Ladungsverlust sofort.
- Abgleich der Kennungen. Wo neben der Zeichnung eine CAS- oder Katalognummer steht, löse beide auf und vergleiche. Abweichungen zeigen so oft auf das Quelldokument wie auf die Extraktion.
- Plausibilität der Eigenschaften. Molmasse, Atomzahl und Elementzusammensetzung gegen die Angaben der Quelle. Eine Differenz von 36,5 ist ein Hydrochlorid, eine von 18 ein Hydrat oder ein Zeichenfehler.
Halte Stichprobengröße und gefundene Fehlerrate fest. "95 % von 100 geprüften Strukturen stimmten mit der Quellzeichnung überein, Fehler waren Stereodeskriptoren in gedrängten Schemata" ist eine brauchbare Aussage zur Datenqualität. "Die Extraktion funktioniert" ist es nicht.
Was eine saubere Sammlung möglich macht
Sind die Strukturen standardisiert und verschlüsselt, wird Routine, was vorher unmöglich war: einen Lieferantenkatalog gegen den eigenen Bestand entdoppeln, feststellen, ob eine neue Zielstruktur im Haus schon einmal hergestellt wurde, eine Substruktursuche über zwanzig Jahre Berichte, und jede rechnerische Methode mit Eingaben füttern, die sie wirklich verarbeiten kann. Auf einer Sammlung aus Namen und Bildern ist nichts davon möglich, auf denselben Daten nach der Kuratierung alles.
Grenzen der Aussage
- Die Extraktionsgenauigkeit hängt an der Quellqualität. Ein 300-dpi-Scan einer sauberen Einzelstruktur und ein Foto einer projizierten Folie sind nicht dasselbe Problem.
- Standardisierung ist eine Menge von Konventionen, keine Wahrheit. Dokumentiere sie; ein anderes Projekt kann legitim andere wählen, und zwei Sammlungen zusammenzuführen heißt, sie abzugleichen.
- Beim Umgang mit Tautomeren und Stereochemie können chemisch gleichwertige Entscheidungen auseinandergehen. Behalte immer die Originaldarstellung, damit eine spätere Konventionsänderung keine neue Extraktion verlangt.
- Eine kuratierte Struktur ist keine belegte Struktur. Wo die Identität zählt, verweist der Datensatz auf analytische Belege, nicht auf die Extraktion.
Häufige Fragen
Lassen sich chemische Strukturen automatisch aus einem PDF extrahieren?
Ja, mit unterschiedlicher Zuverlässigkeit je nach Speicherform. Vektorzeichnungen lassen sich aus den Zeichenprimitiven zuverlässig interpretieren; Bitmaps brauchen eine optische Strukturerkennung, die bei sauberen Einzelstrukturen gut und bei gedrängten Reaktionsschemata schlechter arbeitet.
Was ist der häufigste Fehler in extrahierten Strukturen?
Verlorene oder falsche Stereochemie, danach der Umgang mit Salzen und Ladungen. Beides ist in einer Strukturzahl unsichtbar und ändert die Identität der Verbindung, weshalb ein Vergleich über den Rückweg in jedes Projekt gehört.
Warum über InChIKey entdoppeln und nicht über den Namen?
Weil Namen unzuverlässig sind: Trivialnamen, Handelsnamen, interne Codes und Tippfehler beschreiben dieselbe Verbindung unterschiedlich. Ein aus der Struktur berechneter kanonischer Schlüssel gibt eine Kennung je Verbindung, und eine tautomerunempfindliche Variante fängt die restlichen Beinah-Dubletten.
Sollten Tautomere standardisiert werden?
Für Dublettenerkennung und Suche ja, nach einer dokumentierten Konvention. Für den Bericht behalte die Struktur wie gezeichnet, denn das Tautomer kann Information über den Kontext tragen, aus dem es kommt.
Wie misst man die Qualität eines Strukturdatensatzes?
Über Stichproben: 50 bis 100 Datensätze gegen ihre Quelle vergleichen und die Fehlerrate mit den gefundenen Fehlertypen berichten. Ergänzend Kennungsabgleich und Plausibilität der Molekülformeln über den ganzen Satz.