4800 万条专利数据如何变成化学 AI 的训练集：读 Reaxys 参考指南

发布时间：2026-10-21 06:05 创建时间：2026-10-21 13:25
摘要：专利常被当作法律文件来读，但在化学领域，它也是规模最大的一类实验记录。根据爱思唯尔（Elsevier）今年 3 月更新的《Reaxys 参考指南》，从中可以拼出一条专利数据怎么用于训练模型的完整链路。一本 29 页的手册，一份数据底账Reaxys是爱思唯尔旗下的化学数据库与检索平台。2026 年版参考指南共 29 页，把它定位为AI 驱动的化学数据库，称其汇集了约 10 亿个化学数据点，横跨物质、...
专利常被当作法律文件来读，但在化学领域，它也是规模最大的一类实验记录。
根据爱思唯尔（Elsevier）今年 3 月更新的《Reaxys 参考指南》，从中可以拼出一条专利数据怎么用于训练模型的完整链路。

一本 29 页的手册，一份数据底账

Reaxys是爱思唯尔旗下的化学数据库与检索平台。2026 年版参考指南共 29 页，把它定位为AI 驱动的化学数据库，称其汇集了约 10 亿个化学数据点，横跨物质、反应、文献、专利和生物活性五类。
指南给出的内容概览（截至 2026 年 3 月）：
专利数据覆盖 105 个专利局；其中，非英文专利的标题、摘要和权利要求统一翻译成英文；每条专利记录都与从中抽取的物质、反应和生物活性证据相互链接。指南强调，全部内容由专家标注、每周更新，可追溯到来源出版物和专利。
手册本身分三块：核心功能（快速检索、查询构建器、逆合成）、核心内容（上述五类数据），以及穿插其中的 AI 功能。
从 AI + IP 的角度读，最值得看的是专利在其中的位置——它既是被检索的对象，也是被拆解、被链接、最终被模型学习的原料。

第一步：把专利拆成结构化数据

专利全文作为一种法律文本，机器其实很难直接用。Reaxys 的做法是把专利拆成实体和关系。根据《Reaxys 的专利覆盖范围》（2026 年 5 月更新），有两条并行的标引流程。
程序化标引：基于机器学习的自动化流水线，新公开专利平均 8 天上线。覆盖 93 个专利局，另加 12 个优先专利局（WO、EP、US、CN、JP、KR、GB、DE、FR、TW、IN、CA），年份从 2000 年至今。物质从摘要、权利要求、说明书、实施例的文字以及附图图像中抽取，生物靶点作为关键词标引。
人工摘录：由专家标引人员完成，平均 35 天上线。范围是 2001 年起 WO、US、EP 的英文专利；中国大陆与中国台湾地区专利从 2016 年起，日本、韩国专利从 2015 年起；2022 年起扩展到亚洲语言的 WO 申请。人工摘录拆得更深：
此外还有 1803–1999 年的历史专利，主要来自美、德、欧洲专利局、WO、法、英、日，采用机器与人工混合抽取，但不含马库什结构和反应全文。
两条流程的差别，正是训练数据最在意的两个维度：速度与精度。机器流程快、覆盖广；人工流程慢，但能把一个反应的试剂、溶剂、温度、收率逐项对齐，还能处理马库什这类通式。
指南提到，专利权属分析的结果里可以看到每条数据是人工标注还是自动生成，这对拿数据训练模型的人来说，这个标记本身就是一个质量标签。
拆完之后，一件专利变成一组相互链接的记录：原始与当前申请人、扩展专利族、IPC 分类、权利要求中的化合物、实施例中的反应步骤和收率、说明书中报告的活性数据。指南反复强调的“链接”就是这个意思：从一件专利跳到它披露的物质，从物质跳到合成它的反应，再跳到报告其活性的其他文献。

第二步：从数据库到训练集

结构化之后，数据就可以离开检索界面，直接进入模型训练流程。爱思唯尔为此单独提供数据即服务产品Reaxys Data，强调采用“机器可用的数据表示”。列出了四种交付形式：
页面列出的用途包括反应路径图数据库、蛋白—配体结合 QSAR、自由能微扰（FEP）计算的参考数据、多药理学分析等；其允许的商业用途包括语义增强、构建本体或知识图谱和创建预测模型。爱思唯尔的AI 介绍页指出：Reaxys 数据可用于知识图谱、预测模型和新分子设计等 AI 应用，并可与企业自有的电子实验记录本等数据整合。
把 Reaxys 放到更大的背景里看会更清楚。学术界训练逆合成模型最常用的公开数据，来自丹尼尔·洛（Daniel Lowe）从美国专利中文本挖掘出的反应数据集，来源是 1976 年至 2016 年 9 月公开的美国专利授权与申请。以逆合成规划论文Retro*为例，原始数据约 380 万条反应，清洗后剩约 130 万条；被广泛用作基准的 USPTO-50K 只有约 5 万条。
商业数据库卖的，正是公开数据补不上的部分：105 个专利局的覆盖、中日韩专利、经人工核对的反应条件和收率、马库什结构、与活性数据的链接。这也是专利数据进入 AI 训练集时真正的门槛：专利文本本身是公开的，但把它变成干净、对齐、可链接的训练样本，需要持续的标引投入。

训练出来能干什么

把指南和相关说明对照着看，专利数据在 Reaxys 里支撑了五类工作。第一类是训练，第二类是检索增强，后几类是把结构化数据导出去建模或做分析。

1. 逆合成：从目标分子倒推合成路线

这是专利数据作为训练集最直接的用途。指南中的逆合成模块分两种：“已发表路线”从 Reaxys 收录的文献和专利反应证据中拼出有出处的路线，所有账户可用；“预测路线”调用 AI 模型给出机器建议的新路线，需要额外订阅。
预测路线由两家第三方公司的模型提供：法国公司 Iktos 和 Pending.AI。爱思唯尔称这些模型基于42 万多条专家规则，用 Reaxys 的高质量反应数据训练。
Pending.AI 模型的两次更新说明披露了训练数据的细节：
2024 年 10 月版：用截至 2023 年 12 月的 Reaxys 专利与文献反应数据训练。平均多解出 12% 的目标分子，每个目标最多多给出 40% 的路线，处理速度最高提升 4 倍；可选的商业砌块库从 1000 万个扩到 1.1 亿多个。
2025 年 4 月版：训练数据更新到 2024 年 6 月，新增约 50 万条反应，对应约 1 万条新反应规则。

2. 检索与引用式摘要：专利作为可追溯的语料

第二类用途不是训练，而是检索增强。快速检索支持自然语言提问，系统用语义 + 关键词的混合检索给论文和专利排序，再基于排名前 20 篇文献的标题和摘要生成一段带编号引用的摘要，每条引用都能点回原文。
这里专利扮演的是语料库角色：模型不靠记住专利来回答问题，而是先检出、再总结、给出处。

3. 构效关系与活性预测

药物化学专利的说明书里通常包含大量化合物及其活性测试结果。Reaxys 把这些活性值与靶点、物质、来源专利链接起来，指南也推荐了“如何获取专利中化合物的 SAR 数据”的教程。“生物活性可视化”功能把多个物质对多个靶点的归一化 pX 值排成矩阵，用来找“结构小改、活性大变”的拐点，结果可以导出。
这些数据导出后就是 QSAR 和活性预测模型的训练样本——数据即服务页面列出的“蛋白—配体结合 QSAR”“多药理学分析”正是这类用途。

4. 化学空间里的专利布局分析

对 IP 从业者最直接的，是把化学数据和权属数据放进同一个查询。指南在“查询构建器”一节给出的示例是：组合“当前专利权人”、生物活性和合成字段，找出“活性高、有已知合成路线、且未被竞争对手专利覆盖”的化合物。具体做法是：在字段中选择当前专利权人、原始专利权人或最终所有人，输入公司名，再选择结果类型——物质、反应、靶点或文献，就能看到这家公司的专利覆盖了哪些化学实体，并展开整个专利族。指南建议用这种方式做空白点分析和专利组合对标；另一个技巧是按“当前专利权人”设置提醒，持续监控竞争对手。

5. 反过来，用 AI 读专利

程序化标引本身就是一条机器学习流水线：从文字和附图中识别化合物，平均 8 天把新公开的专利变成结构化记录。爱思唯尔 AI 介绍页称，其用 AI 抽取把非结构化化学信息规模化地转成结构化数据，并保留专家监督。
参考出处：
Elsevier，Reaxys reference guide，Reaxys Support Center。