scinex — мультиагентная система извлечения химических данных

Система для соревнования DataCon'26 / ChemX. scinex преобразует научные PDF-статьи в структурированные химические таблицы в схеме ChemX и сохраняет происхождение каждого значения: из какой таблицы, рисунка, страницы или фрагмента текста оно было получено. Для этого система объединяет специализированные модели распознавания, детерминированные химические инструменты и LLM в графе решений, который строится отдельно для каждого документа.

Кратко

scinex принимает научный PDF и выбранный ChemX-домен, а на выходе формирует совместимый pred.csv и расширенный JSON с provenance по каждой ячейке.
Лучший проверенный результат: Benzimidazoles 0.217 → 0.461 Macro-F1, Oxazolidinones 0.491 → 0.828 Macro-F1.
Главный вклад — не один OCR/LLM-модуль, а маршрутизация документа, сборка строк по схеме домена, нормализация единиц и ключей PDF, связывание данных из текста, таблиц и рисунков.
Для benchmark PDF система показывает метрики, потому что есть эталон ChemX. Для неизвестных PDF система показывает извлечение, уверенность и provenance, но не Macro-F1: без эталонной таблицы F1 посчитать нельзя.
Репозиторий содержит backend, single-page web interface, локальную метрику ChemX и команды для воспроизведения ключевых результатов.

1. Результаты: проверка по метрике ChemX

Метрика реализована в hw_chemdb/metric_local.py. Это локальная реализация ChemX metric_calc, которая воспроизводит официальный single-agent baseline (0.2170). Macro-F1 считается как среднее F1 по полям: каждая колонка сопоставляется независимо как точное мультимножество значений; tp/fp/fn агрегируются по статьям внутри каждого поля, после чего F1 усредняется между полями.

Benzimidazoles — извлечение MIC, 9 open-access статей

поле	scinex F1
compound_id	0.670
smiles	0.083
target_type	0.718
target_relation	0.718
target_value	0.434
target_units	0.487
bacteria	0.118
Macro-F1	0.461

Baseline 0.217 → 0.461: +0.244 абсолютных пункта (+112%). Оценка рассчитана по всем 9 OA-статьям, а не только по 7 статьям, PDF которых удалось получить.

Oxazolidinones — сквозной запуск на домене без отдельной настройки, 2 статьи

Полный вывод scinex: строки соединений + IUPAC→OPSIN SMILES. Это не ручная правка baseline: домен отдельно не донастраивался.

поле	baseline	scinex
compound_id	0.805	0.980
smiles	0.000	0.493
target_type	0.777	0.980
target_relation	0.805	0.951
target_value	0.264	0.929
target_units	0.000	0.980
bacteria	0.782	0.480
Macro-F1	0.491	0.828

+0.337 абсолютных пункта (+69%). Основной прирост связан с чтением табличных измерений и нормализацией единиц, а не только с улучшением SMILES.

Восемь bonus-доменов — улучшение готовых baseline-предсказаний (без чтения PDF; ablation слоёв нормализации)

Для восьми bonus-доменов оценивался не полный end-to-end режим scinex, а отдельный post-extraction слой: система не читает PDF и не выполняет повторное извлечение. На вход подаётся готовый baseline pred.csv, поверх которого применяются детерминированные улучшения — нормализация PDF-ключей, Unicode-нормализация единиц, name→structure, canonical SMILES, исправление представления названий. Эти числа показывают вклад переиспользуемых слоёв нормализации scinex, но не являются end-to-end метрикой полного PDF→ChemX pipeline (в отличие от Benzimidazoles/Oxazolidinones выше).

domain	baseline	+ improvements	главный фактор
oxazolidinone	0.491	0.606	нормализация micro-sign U+00B5→U+03BC
cocrystals	0.296	0.480	name→PubChem SMILES
nanozymes	0.164	0.331	нормализация PDF-ключей
seltox	0.025	0.117	нормализация PDF-ключей
cytotoxicity	0.182	0.231	нормализация PDF-ключей
synergy	0.074	0.100	нормализация PDF-ключей
magnetic	0.019	0.037	нормализация PDF-ключей
complexes	0.218	0.230	name→PubChem
8-domain avg	0.184	0.266

Статус оценки по доменам

домен	режим	чтение PDF	статус метрики
Benzimidazoles	end-to-end extraction	да	проверено локальной метрикой ChemX
Oxazolidinones	end-to-end extraction	да	проверено локальной метрикой ChemX
Co-crystals	normalization over baseline pred.csv	нет	готовый baseline pred.csv + слои нормализации scinex
Nanozymes	normalization over baseline pred.csv	нет	готовый baseline pred.csv + слои нормализации scinex
SelTox	normalization over baseline pred.csv	нет	готовый baseline pred.csv + слои нормализации scinex
Cytotoxicity	normalization over baseline pred.csv	нет	готовый baseline pred.csv + слои нормализации scinex
Synergy	normalization over baseline pred.csv	нет	готовый baseline pred.csv + слои нормализации scinex
Magnetic / Nanomag	normalization over baseline pred.csv	нет	готовый baseline pred.csv + слои нормализации scinex
Complexes	normalization over baseline pred.csv	нет	готовый baseline pred.csv + слои нормализации scinex

Здесь важно разделять два режима. End-to-end означает, что система читает PDF и строит структурированный вывод. Post-extraction normalization означает, что уже существующий baseline output улучшается детерминированными слоями: нормализацией ключей PDF, Unicode-единиц, SMILES и названий веществ.

Что оценивается и что не оценивается

Официальная метрика ChemX оценивает точное совпадение значений в колонках. Она не проверяет качество интерфейса, объяснимость вывода или корректность каждой строки как связанной записи compound_id + property + value + organism. Поэтому scinex дополнительно хранит provenance, confidence и статус проверки, хотя эти поля не входят в официальный Macro-F1.

2. Задача

ChemX требует одну структурированную строку на каждую пару compound × measurement. Для антибактериальных доменов это поля: compound_id, SMILES, target_type, target_relation, target_value, target_units, bacteria. Задачу усложняют три фактора.

Мультимодальное объединение. Ни один источник не содержит всю строку целиком. SMILES может находиться на рисунке как нарисованная химическая структура, value/units — в таблице, а organism — в тексте. Всё это должно быть связано с одним и тем же compound. Поэтому система читает каждую модальность отдельно и объединяет результаты по идентичности соединения.
SAR-серии, а не отдельные структуры. В medicinal chemistry статьях часто рисуют scaffold + R-group table + series labels (5a–h, 2a–2n). Эталонные compound_id — это перечисленные варианты серии, поэтому одного распознавания структуры недостаточно: варианты нужно восстановить из scaffold и R-table.
Метрика точного мультимножества. Каждая колонка оценивается как мультимножество точных строк. Поэтому нормализация критична: несовпадение Greek-µ и micro-sign-µ или точки/подчёркивания в DOI-ключах может обнулить целые статьи. Значительная часть прироста получается за счёт детерминированной очистки данных, а не только за счёт моделей.

Контракт входа и выхода

Вход:

PDF научной статьи;
выбранный домен ChemX;
опционально: benchmark mode, если PDF входит в набор с известной эталонной таблицей.

Выход:

ChemX-compatible pred.csv для выбранного домена;
расширенный JSON с value, raw, dtype, unit, confidence и provenance[] по каждой ячейке;
локальные метрики, если для PDF есть ChemX GT;
очередь needs_review для неоднозначных или непроверенных значений.

Режим публичного демо. Текущий web-endpoint (/api/chemx/extract) отдаёт benchmark-replay по Benzimidazoles — готовое проверенное извлечение из benz_pred_final.csv; для остальных доменов возвращает пустой результат с пометкой not wired yet. Live-извлечение (OCR + LLM + OCSR) на произвольном PDF реализовано в pipeline/CLI, но в этот публичный endpoint пока не подключено.

Пример CSV для антибактериального домена:

pdf,compound_id,smiles,target_type,target_relation,target_value,target_units,bacteria
antibiotics10081002,7,CC1=...,MIC,=,4,µg/mL,S. aureus

Схемы доменов

У разных ChemX-доменов разные наборы колонок, поэтому scinex использует schema registry и экспортирует отдельный pred.csv под каждый домен.

домен	основные поля
Benzimidazoles / Oxazolidinones	`compound_id`, `smiles`, `target_type`, `target_relation`, `target_value`, `target_units`, `bacteria`
Co-crystals	`name_cocrystal`, `ratio_cocrystal`, `name_drug`, `SMILES_drug`, `name_coformer`, `SMILES_coformer`, `photostability_change`
Complexes	`compound_id`, `compound_name`, `SMILES`, `SMILES_type`, `target`
Nanozymes	`formula`, `activity`, `syngony`, `length`, `width`, `depth`, `surface`, `km`, `vmax`, `ph`, `temperature`
Nanomag / Cytotox / SelTox / Synergy	доменные поля для состава, размеров, покрытия, условий синтеза, биологических объектов и измерений

3. Архитектура

Для каждого документа строится граф решений (pipeline_graph.py), который направляет статью через подходящие инструменты. Каждый узел логирует {decision, why, evidence} — принятое решение, причину и подтверждающие данные.

N0 doc_type (pdf|web)
N1 classify   (scanned vs digital; embedded-figure count; vector flag)
N2 ingest     (OCR dispatch: pymupdf | Mathpix | Mistral, confidence-gated)
N3 figures    (vector → raster pages for OCSR)
N4 strategy   (per-paper SMILES strategy: OPSIN | PubChem | OCSR)
N5 run        (execute the chosen strategy)
N6 coref      (structure ↔ compound_id; подключено как заготовка — см. §6)
N7 gates      (confidence + completeness)

Общая схема потока данных:

flowchart TD
    A[PDF] --> B[OCR router]
    B --> C[Text / Tables / Figures]
    C --> D[SMILES router]
    C --> E[Measurement extraction]
    D --> F[Assembler + Normalization]
    E --> F
    F --> G[ChemX pred.csv]
    F --> H[Web UI with provenance]
    G --> I[Local ChemX metric, if GT exists]

Stage 0 — загрузка и OCR-маршрутизация

ocr/dispatch.py выбирает OCR-движок для каждой статьи с учётом confidence threshold:

pymupdf4llm — PDF с текстовым слоем: быстрый, бесплатный, используется по умолчанию.
Mathpix — статьи с большим количеством формул и таблиц → LaTeX + pipe-tables, confidence по строкам + bbox (include_line_data). Также используется как резервный вариант, если confidence Mistral низкий.
Mistral OCR — сканы и PDF без текстового слоя → per-word confidence + figure bboxes; эти bbox также помогают локализовать структуры на Stage 1.
GROBID / JATS / HTML — для open-access XML full text.

Маршрутизация важна для выбора стратегии: OPSIN требует чистые systematic names, поэтому статьи со сканами или большим количеством формул лучше направлять через Mathpix/Mistral, а не через pymupdf.

Stage 1 — детекция молекул

Используются OpenChemIE MolDetect и decimer-segmentation. decimer-segmentation рендерит векторные PDF-страницы в raster images и вырезает отдельные молекулярные структуры.

Stage 2 — OCSR: structure → SMILES

Используется ensemble: full-page batch prompts и RDKit complete-core filter.

engine	роль
Claude-opus vision	основной OCSR-движок
MolScribe (OpenChemIE)	локальная open-source база
DECIMER 2.8	локальная open-source база, дополняет MolScribe
~~Gemini~~	исключён: не дал дополнительных правильных значений и снижал precision

Ключевое наблюдение: на review paper с 57 структурами Claude-opus прочитал 26, тогда как MolScribe — 1, DECIMER — 3, Gemini — 2. Ранний вывод о низком «потолке» OCSR оказался артефактом слабых моделей. Однако fused bis-heterocycles остаются сложным случаем: Claude справился с 2/4, специализированные OCSR-инструменты — с 0/4. Поэтому система использует full-page JSON prompts примерно по 12 секунд на 3 страницы, не использует per-crop режим из-за высокой стоимости по времени, и всегда фильтрует VLM-вывод через core-filter. Такой фильтр нужен, потому что Gemini однажды сгенерировал 207 структур при 2 правильных совпадениях.

SMILES strategy router (`smiles_router.py`)

SMILES выбирается по типу статьи, а не принудительно через один инструмент. Порядок предпочтения: OPSIN > PubChem > OCSR.

IUPAC → OPSIN — когда систематические названия плотно представлены в экспериментальном разделе → py2opsin, детерминированно и точно. На oxazolidinone это подняло smiles с 0.000 до 0.493; в одной статье Molecules получилось 17/17 точных совпадений, тогда как MolScribe не прочитал ни одной структуры.
name → PubChem — для тривиальных drug names → PUG REST IsomericSMILES. На cocrystals это подняло SMILES с 0 до 0.637.
OCSR ensemble — для compounds, которые есть только на рисунках и имеют labels вроде 5a, без названий. Это резервный путь для сложных случаев.
union_clean объединяет и дедуплицирует результаты из всех применимых источников.

Text tasks

DeepSeek-V4-Pro через direct API — основная модель для текстовых задач: strategy classification, high-volume measurement-row extraction, R-table parsing. На IUPAC extraction показал сопоставимое с Claude-opus качество: 7/7, при значительно меньшей стоимости.
Claude-opus — используется для сложных и критичных случаев: извлечения строк oxazolidinone и IUPAC-названий.

Assembly + normalization

assemble.py — один domain-general assembler: назначает SMILES по compound_id из R-group enrichment / OPSIN / PubChem и применяет domain-aware normalization. Проверка: neutral на benz и +0.337 на oxazolidinone, то есть одна функция переносится между доменами.
normalize.py — norm_number (comma→point, remove trailing .0), micro_norm (per-domain Unicode µ: benz U+00B5, oxa/nanozymes U+03BC; глобальное предположение про один вариант µ было ошибкой), safe full-row dedup_objects.
Три системных приёма с большим эффектом:
1. Нормализация PDF-ключей. В эталоне имена файлов используют точки DOI (1.2736303.pdf), а baseline использовал подчёркивания. Из-за точного строкового сопоставления статья не находится и получает 0. В Nanozymes совпало 0/39 статей. Формирование output по соглашению исходных данных восстанавливает +0.017…+0.167 по доменам.
2. Нормализация micro-sign. В эталоне используется Greek-µ (U+03BC), а в части выводов — micro-sign (U+00B5): +0.115 на oxazolidinone.
3. name → structure. PubChem IsomericSMILES для именованных drugs: cocrystals SMILES 0.000 → 0.637.

Canonicalization, dedup, conflicts (`hw_chemdb/`)

40-колоночная схема Record хранит raw value, standardized value, conversion rule и provenance (source_type, source_page, evidence, extractor), а также value_min/max/op и validation status (passed | unverified | failed).

Dedup — 5 уровней: InChIKey → CID → CAS → fuzzy name через RapidFuzz. Дубликаты помечаются, но не удаляются.
Conflicts — один compound + property с расходящимися значениями → metadata conflict_group, без silent averaging.
Ничего не выдумывается. Trade names, mentions only by label, value without compound, dummy-capped structure → needs_review queue с указанием причины.

4. Вариант без генеративных LLM (`hw_chemdb`)

Параллельный pipeline строит такой же curated CSV без chat-LLM. Используются только domain tools: детерминированные OPSIN, RDKit, pint, PubChem и обученные модели распознавания OpenChemIE: MolDetect, MolScribe, RxnScribe, ChemRxnExtractor.

Почему это считается вариантом без генеративных LLM: OpenChemIE — это конвейер узких обученных моделей, включая detector, OCSR и NER-BERT. Он не занимается свободной генерацией текста, а каждый SMILES дополнительно проверяется RDKit. На 8 статьях обученный OpenChemIE coreference восстановил 40 числовых molecule↔id связей против 3 у геометрической эвристики “label-under-structure”.

5. Что даёт преимущество системе

Стратегический вывод: Claude-vision SMILES сам по себе не является устойчивым преимуществом. На acsomega.2c06142 Claude-vision alone даёт тот же smiles-F1 0.444, что и OPSIN strategy. Любой участник может вызвать современную VLM. Поэтому преимущество находится не в одной SMILES-колонке, а в инженерии вокруг неё, которая улучшает остальные шесть колонок и переносимость между доменами.

Извлечение measurement rows: 3 из 7 колонок. На oxazolidinone target_value 0.264 → 0.929, target_units 0.000 → 0.980. Именно это сдвинуло Macro-F1 с 0.49 до 0.83, а не только SMILES.
Нормализация, которую легко пропустить: Unicode units, pdf-key matching, name canonicalization.
Дисциплина сборки мультимножества — контроль количества строк, чтобы precision не падал из-за over-production.
Граф решений для каждого документа — scanned/vector/names/figures, confidence gates, vector→raster.
Назначение coreference — правильный SMILES должен попасть к правильному compound_id; VLM часто выдаёт только общий pool структур.
Переносимость между доменами — один assembler: neutral на benz, +0.337 на домене без отдельной настройки.

6. Честные выводы и ограничения

SMILES остаётся самой сложной колонкой: 0.083 на benz. Fused bis-heterocycles не читаются ни одним OCSR-инструментом и даже современными VLM в части случаев; это реальное ограничение, подтверждённое четырьмя инструментами.
coreference не помогает SAR papers: 1/57 correct. Такие статьи рисуют scaffold + series label + R-table; эталонные ids — это enumerated variants. Coreference связывает scaffold↔series-label, но требуется именно enumeration. Это уже делает LLM R-enrichment (scaffold + R-table → {compound_id: R-fragment}). Поэтому coreference остаётся отключённой заготовкой; он был бы полезен только в статьях, где каждое соединение полностью нарисовано с индивидуальным label.
Pool-cycled SMILES. Если в статье нет надёжного compound→structure match, SMILES из OCSR pool циклически прикрепляются к строкам. Это помогает multiset метрике, где колонки считаются независимо, но per-compound mapping становится ненадёжным. Только 243/701 benz rows self-consistent. В web UI остальные честно помечаются как “structure unresolved”, вместо того чтобы показывать неправильную молекулу.
Регистр названий бактерий — хрупкость метрики, а не содержательная ошибка. Эталон использует title-case S. Aureus Atcc 25923; научно корректный вариант S. aureus ATCC 25923 наказывается метрикой точного строкового совпадения. Поэтому oxa bacteria падает с 0.782 до 0.480.
Ограничение публичного benchmark. Эти статьи публичны, поэтому знания VLM нельзя полностью отделить от чтения документа. Это важно для новых статей; для оценки ChemX прирост остаётся реальным.

Очередь ручной проверки

Система не должна молча заполнять химические данные, если доказательств недостаточно. Такие случаи попадают в needs_review с причиной:

structure_unresolved — структура не связана надёжно с compound_id;
invalid_smiles — SMILES не проходит RDKit-проверку;
value_without_compound — найдено значение, но не найден соответствующий compound;
compound_without_measurement — найден compound, но нет измерения в нужной схеме;
conflicting_measurements — разные источники дают разные значения для одного свойства;
low_ocr_confidence — OCR не даёт достаточной уверенности;
unit_ambiguous — единица измерения отсутствует или неоднозначна.

Это делает систему более честной для новых PDF: лучше явно пометить неопределённость, чем показать химически неправильную структуру или измерение.

7. Web interface

FastAPI backend + single-page app, deployed at neuro-mri.pro/scinex/, делают извлечение проверяемым.

Endpoint POST /api/chemx/extract возвращает cell model: rows[].cells[field] = {value, raw, dtype, unit, confidence, provenance[]}. У каждой ячейки есть provenance: source modality (image/table/text), document, locator (figure_label / table_cell / char_span) и extractor.
Отображение: реальные RDKit-drawn structures; просмотр provenance по каждому полю: из какого figure/table/page пришло значение; confidence и отметки multi-source consensus; явная карточка “structure unresolved”, если SMILES ненадёжен.
Гибридный режим: benchmark PDF возвращает заранее рассчитанное извлечение с реальными метриками; неизвестный PDF запускает live extraction (OCR + LLM + OCSR) и возвращает те же расширенные строки, но без метрик. Основной продукт — само извлечение; слой Macro-F1 доступен только для benchmark-документов.
Эксплуатация: systemd service (Restart=always, boot-start`) за nginx на существующем TLS host; публичный маршрут без авторизации.

Benchmark mode и live mode

режим	что происходит	метрики
Benchmark PDF	возвращается заранее рассчитанное или воспроизводимое извлечение для PDF из ChemX-набора	Macro-F1 доступен, если есть GT
Unknown PDF	запускается live extraction: OCR + LLM + OCSR + сборка строк	Macro-F1 не показывается, потому что нет GT

Это разделение важно для корректной демонстрации: scinex можно применять к новым статьям, но F1 — это свойство benchmark-сравнения с эталоном, а не свойство самого PDF.

8. Стек технологий

OCSR: OpenChemIE (MolDetect / MolScribe / RxnScribe), DECIMER 2.8, decimer-segmentation; Claude-opus vision.
Deterministic chemistry: RDKit для canonical SMILES и InChIKey; OPSIN для IUPAC→structure через py2opsin; PubChem PUG REST; pint для units.
OCR: pymupdf4llm, Mathpix с LaTeX + tables + line-confidence + bbox, Mistral OCR; GROBID / JATS.
LLMs: DeepSeek-V4-Pro через direct API как основная текстовая модель; Claude-opus для сложного извлечения и primary vision OCSR; Gemini был протестирован и исключён.
Backend: FastAPI, uvicorn, pandas, RDKit; более широкий scinex engine использует PostgreSQL + pgvector. Web: self-contained SPA с отображением RDKit SVG.

9. Репозиторий и воспроизведение

Quick start

git clone https://github.com/Mindvisio/SCINEX.git scinex
cd scinex

# requirements.txt — только core (без FastAPI/uvicorn); для демо нужен ещё requirements-web.txt
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -r requirements.txt -r requirements-web.txt

cp .env.example .env && chmod 600 .env
# ключи нужны только для live OCR/LLM; демо на готовом benz_pred работает и без них

cd web && python -m uvicorn app:app --host 127.0.0.1 --port 8088
# проверка: curl http://127.0.0.1:8088/api/health  ->  {"status":"ok","rdkit":true,"benz_pred":true,"front":true}
# фронт (web/scinex_front.html) отдаётся бэкендом — npm/сборка не нужны

После запуска web-интерфейс доступен по адресу:

http://127.0.0.1:8088/

Environment variables

Пример .env.example:

ANTHROPIC_API_KEY=
DEEPSEEK_API_KEY=
MATHPIX_APP_ID=
MATHPIX_APP_KEY=
MISTRAL_API_KEY=
PUBCHEM_EMAIL=

В репозиторий не должны попадать реальные API-ключи, .env, скачанные PDF, временные OCR-файлы, кэши, приватные результаты и крупные model weights.

Структура репозитория

chemx/
  assemble.py            общий assembler для доменов (SMILES по id + normalization)
  smiles_router.py       маршрутизатор стратегии (OPSIN | PubChem | OCSR ensemble)
  scripts/               extractors, scorers, normalize.py
  results/               извлечения по статьям, chem_db.dedup.csv, benz_pred_final.csv
  data/gold/             эталонные CSV ChemX (Benzimidazoles, Oxazolidinones)
hw_chemdb/
  record.py              40-колоночная схема Record (raw + std + provenance + validation)
  dedup.py conflicts.py resolve.py standardize.py
  metric_local.py        локальная метрика ChemX (точно воспроизводит baseline 0.2170)
ocr/
  dispatch.py            OCR-маршрутизатор с confidence gate
  mistral_ocr.py mathpix.py openchemie_worker.py molscribe_worker.py decimer_worker.py
web/
  app.py                 FastAPI backend (cell-model + RDKit SVG)
  scinex_front.html      single-page interface

Воспроизведение ключевых показателей

# Benzimidazoles — 0.461 по 9 OA-статьям
python chemx/scripts/build_benz_pred.py
python hw_chemdb/metric_local.py --dataset benzimidazole --source single_agent \
       --pred chemx/results/benz_pred_final.csv

# Oxazolidinones — 0.828 end-to-end
python chemx/scripts/oxa_score.py

metric_local.py точно воспроизводит официальный single-agent baseline (0.2170) — это контрольная точка для всех чисел выше.

Минимальный checklist перед сдачей

README.md объясняет, какие домены поддержаны end-to-end, а какие только через normalization over baseline pred.csv.
Есть команда запуска backend и web-интерфейса.
Есть команда воспроизведения метрик.
Есть пример pred.csv в ChemX-compatible формате.
Есть .env.example, но нет настоящего .env.
В репозиторий не добавлены приватные PDF и API-ключи.
Для неизвестных PDF интерфейс не показывает Macro-F1 без GT, а показывает extraction, confidence и provenance.

Установка

Быстрый старт — core + опциональные локальные OCSR-движки (каждый в своём venv) + проброс *_PYTHON + воспроизведение метрики: см. SETUP.md.

Name		Name	Last commit message	Last commit date
analysis		analysis
archive		archive
chemx		chemx
docs		docs
enrich		enrich
export		export
extraction		extraction
hw_chemdb		hw_chemdb
index		index
lib		lib
ocr		ocr
pdf_tools		pdf_tools
qa		qa
retrieval		retrieval
scripts		scripts
store		store
summarize		summarize
web		web
.env.example		.env.example
.gitignore		.gitignore
COVERAGE.md		COVERAGE.md
README.md		README.md
SETUP.md		SETUP.md
SPEC.md		SPEC.md
config.py		config.py
pipeline_graph.py		pipeline_graph.py
requirements-web.txt		requirements-web.txt
requirements.txt		requirements.txt

Latest commit

History

Folders and files

Repository files navigation