MI（マテリアルズ・インフォマティクス）の識者が、化学業界や材料開発のAIやMIの適用例について解説！ 今回はAIによる特許文献からの化学情報抽出について説明する。
AIによる特許文献からの化学情報抽出：化学業界・材料開発におけるAI応用（1）
2025.03.19
この記事では...
（執筆：入江 満／MI-6株式会社 取締役、miLab 編集長）
化学業界・材料開発におけるAI応用
前回までの記事では「研究開発DXが拓く新たな価値創造」というテーマで、研究開発DXや広義のMI（マテリアルズ・インフォマティクス）の概念、そして鍵となる取り組みについてご紹介しました。
☆研究開発DXが拓く新たな価値創造
今回からは、少し抽象度を下げて、「化学業界・材料開発におけるAI応用」について具体的な例を挙げつつ解説していきます。
材料開発における数あるプロセスのうち、AIやMIが適用されやすいトピックを絞って、複数回に分けて紹介します。
- 文献からの情報抽出
- 実験計画
- 物性予測
- 分子設計
- 合成経路探索
- 計測データ分析
- 製造プロセス制御
こういったプロセスの各ステップでどのようにAI活用が進められ、どんなメリット・課題があるのかを考えていきましょう。
本記事では、まずは文献、特に特許文献の情報活用をテーマにします。
特許文献からの化学情報抽出
文献調査や特許調査は、開発における参考となるデータやナレッジを得ると共に、市場における製品の差別化のために必須な工程です。最近では大規模言語モデル（LLM）を中心とした自然言語処理技術が、このプロセスの自動化・高度化に向けて注目されています。特に、大量のデータをうまく収集することで、今後紹介する全てのトピック（実験計画、分子設計、合成経路探索、etc.）で活用することができるため、AIによる情報抽出は「AI活用の材料開発をさらに高度化するためのAI活用」というような性質を持ちます。
応用例1: 特許文献からの化学機能ラベルの抽出
膨大な特許情報の中から抽出した分子情報を用いて、任意の化合物の機能を推定する試みがあります。このアイデア自体は新しいものではありませんが、ごく最近のLLMの発展によって、実用性が大きく向上しています。
たとえば Kosonocky らによる「Mining patents with large language models elucidates the chemical function landscape」では、18万8千件の特許文献から10万分子をランダムに抽出し、それに関連づけられた機能情報を抽出しました。そこから作成した63万組の分子と機能を紐づけたペア情報を「CheFデータセット」として構築し、LLMと埋め込み技術を用いて特許文献中の記述から機能ラベルを自動的に要約・抽出することで、最終的に1,500程度のユニークな機能ラベルに集約しました。同じラベルを持つ分子群が構造的にも類似することがMI的な解析によって検証され、化学構造空間との整合性が高いラベルが生成されたことが示されました。
この結果が示唆することは、「構造的な特徴が機能と相関すること」「化学的な機能情報がテキストに十分埋め込まれていること」の2点です。前者は、従来より「構造物性相関」としてケモインフォマティクス研究における土台となってきた考えです。ここでは後者の「化学機能の言語での埋め込み」の意義について深堀りしていきます。
テキストベースの機能抽出の意義
従来の構造ベースのアプローチでは、局所的なシミュレーションや記述子を用いて原子・分子スケールの機能を予測してきましたが、ポリマーなどのマクロな構造や時間スケールを超えた機能変化を捉えるには限界がありました。先ほどの研究で示されたようにテキストベース解析で分子間の文脈的・意味的な関係を捕捉できることは、従来アプローチの課題を克服できる期待があります。大雑把な表現をすると、従来の構造ベース手法は「木を見て森を見ず」に陥りがちですが、そのような場合でも大規模なテキストベース手法であれば上手く“森”を見やすくなります。
また、構造ベースのアプローチで分子の複数の機能を予測したい場合、機能ごとに異なるモデリングやシミュレーション設定が必要になることがあります。網羅的な機能取得のためのワークフロー統合などの手段はありますが、機能が増えるごとに取得コストが増加することには変わりありません。一方で、テキストベースのアプローチであれば、多機能情報を網羅的に取得可能です。これはスケーラビリティ向上にも大きく寄与します。大量の分子を高速に評価できるということです。新規分子の探索においても新しいアプローチになりますし、また既存の分子の機能を網羅的に検証することでリポジショニング（新たな用途提案）への応用も期待されます。
なお、テキストベースのアプローチを用いる際にも、構造記述子を用いた機能ラベル予測などを併用するでしょうし、また原理的な説明にはシミュレーションを用いることになりますので、従来の構造ベース手法の上位互換というよりは相互補完的なアプローチと考えるのが妥当です。
応用例2: 特許文献からの用途別データベース作成
機械学習にとってデータベースの品質は「命」です。「Garbage in, garbage out」とよく言われるように、品質の悪いデータをもとに作成したAIモデルは品質の悪い出力しかできません。さて、化学分野においては全化合物・全機能・全用途を網羅したオールマイティかつ良質なデータベースは存在しません。また、学術文献や専門特許のように領域が特化し、記述が高度になるほど、ChatGPTなどの汎用的なLLM単体での限界が顕在化しやすいことも指摘されています。そのため、対象のスコープを定義し、その範囲内で良質なデータを集めることが不可欠です。
近年は化合物のデータベースは数・量ともに増加していますが、PubChemやZincといった大規模汎用データベースだと、用途のラベルがありません。そのような場合、ターゲット物性（例：HOMO-LUMOギャップ）を最適化した分子を生成できたとしても、用途に応じて満たすべき様々な制約条件を無視したものになりがちです。一方で、特定用途向けのデータベースは人の手によってキュレーションされる必要があり、効果的な機械学習を行う上で十分なデータサイズの確保が困難です。そこで、特許とLLMを用いて用途情報を合わせて取得する試みがなされています。公開特許は新規分子や新材料の初出開示が行われる情報源であり、特定用途に対する弱いラベル情報（例：分野ごとのカテゴリ分け）が含まれているため、大規模データソースとしての潜在的価値が高いという利点があります。
例えば、Subramanian らによる「Automated patent extraction powers generative modeling in focused chemical spaces」では、特定用途に特化した高品質なデータベース作成のための自動化パイプラインが提案されています。USPTO（米国特許商標庁）から2001年以降の全特許を用いてデータ収集を行い、キーワード検索により関心のある対象の化学領域に対応する分子を選別することで、手動のキュレーションを回避しながらドメイン固有の生成モデルを構築しています。こうしたドメイン特化のデータおよび生成モデルを用いることで、特定用途に対して好ましい新規分子を高確率で生成できることが期待されます。
特許情報をうまく利用して開発を加速
今回は、化学および材料開発におけるAI応用の一端として、特に特許文献からの化学情報抽出に焦点を当て、そのアイデアおよび具体的な応用例を2種類紹介しました。
● 応用例1では、LLMと埋め込み技術を用いた自動的な化学機能ラベルの抽出により、分子構造と機能の相関性を高い精度で捉える結果が得られました。従来の構造ベースの解析では捉えきれなかった文脈的・意味的な情報が補完され、分子の多機能性や未知の用途への展開が期待されます。
● 応用例2では、特許文献をデータソースとすることで、用途別に特化した高品質なデータベースを自動的に構築する試みを紹介しました。従来存在しなかった領域特有の情報を高速に収集・活用できる可能性が示されました。
正確かつ網羅的な情報抽出は、各工程におけるAI活用の精度向上に直結します。特許という膨大な公開情報をうまく利用することで、データ駆動型の材料開発を加速することができます。ぜひご自身の開発でもご検討ください。
次回は実験計画や物性予測についてご紹介したいと思います。引き続き、皆さまの研究開発や研究企画の参考にしていただけますと幸いです。
＞＞＞＞連載「化学業界・材料開発におけるAI・MI活用ガイド」一覧
【関連資料】
- マテリアルズ・インフォマティクスと研究開発DX（miLab）
- LLM（大規模言語モデル）の基礎（miLab）
- LLMの材料開発における活用事例（miLab）
- Kosonocky, C. W.; Wilke, C. O.; Marcotte, E. M.; Ellington, A. D. Mining Patents with Large Language Models Elucidates the Chemical Function Landscape. Digit. Discov. 2024, 3, 1150. https://doi.org/10.1039/d4dd00011k.
- Subramanian, A.; Greenman,
K. P.; Gervaix, A.; Yang, T.; Gómez-Bombarelli, R. Automated Patent Extraction Powers Generative Modeling in Focused Chemical Spaces. Digit. Discov. 2023, 2, 1006–1015.
https://doi.org/10.1039/D3DD00041A.
プロフィール
入江 満（いりえ・みつる）
MI-6株式会社 取締役 / miLab 編集長東京工業大学・大学院（現：Science Tokyo）においてバイオインフォマティクスを専攻。政策コンサルティング会社、ITベンチャーを経て、当社共同創業。MIを基軸にした解析サービスおよびプロダクトの開発を牽引。現在は事業・プロダクト・R&Dの責任者として執行全般を統括。
■MI-6による研究開発DX/MIメディア「miLab」
https://mi-6.co.jp/milab/
MIやLAをはじめとした素材開発に関わる知見や、最前線で活躍する研究者たちの取り組みを発信しています！
PlaBase編集部
PlaBase[プラベース]これまでカタログや材料メーカー各社のホームページ内に散在していた樹脂（プラスチック）成形材料の情報をPlaBaseに集約しました。 メーカー・樹脂名・物性値など多様な検索方法によって、お客様の目的に合った樹脂成形材料のデータを探し出すことができます。