多模态科学基础模型SciReasoner实现跨学科结构－性质精准推理

背景

结构-性质关系是生物学、化学和材料科学的基础，功能、反应性和物理响应都源于空间、化学和周期性的组织。要机械地解释这些关系，需要从立体化学、化学键、对称性、能量学和周期性有序等科学原理和物理约束出发，对结构证据进行解读。然而，将人工智能应用于这一过程面临表征与推理的双重挑战：模型必须保留领域原生的结构信息，同时展示在特定约束下，具体证据如何支持预测。现有方法往往难以兼顾高精度与可解释性，尤其是在跨学科场景下，蛋白质、小分子和无机晶体的结构表示方式差异巨大，缺乏统一的推理框架。

核心内容

本文介绍 SciReasoner，一个用于跨蛋白质、小分子和无机晶体的原生结构推理的多模态科学基础模型。SciReasoner 将坐标、拓扑结构和周期性连接离散化为统一的、结构感知的词汇表，在推理过程中将结构 token 视为可寻址的证据单元。

在蛋白质领域，同源控制的 Gene Ontology 预测任务中，SciReasoner 改进了低同源性和孤儿蛋白的 Cellular Component 注释，将 $F_{\max}$ 从 0.42 提升至 0.55。在化学领域，它使单步逆合成准确率从 0.63 提高到 0.72，同时生成片段级断键和先导物验证的推理轨迹。在材料科学领域，其表征能够分离元素相和化合物相，并区分高带隙和低带隙区域。

在 86 个基准测试中，SciReasoner 在 67 个任务上达到最先进性能。双盲专家评估显示，其推理轨迹在 98% 的案例中被认为优于或至少与前沿大语言模型（frontier large language model）相当。通过将结构作为科学约束下可检查的推理基底，SciReasoner 将准确预测与可解释的科学推理联系在一起。

关键要点

• SciReasoner 是一个多模态科学基础模型，支持蛋白质、小分子和无机晶体三种领域的原生结构推理。
• 模型将坐标、拓扑和周期性连接离散化为统一的结构感知词汇表，使结构 token 成为可寻址的证据单元，便于推理过程的可解释性。
• 在蛋白质 Gene Ontology 预测中，对低同源性和孤儿蛋白的 Cellular Component 注释 $F_{\max}$ 从 0.42 提升至 0.55，提升幅度约 31%。
• 在化学单步逆合成任务中，准确率从 0.63 提升至 0.72，同时生成片段级断键和先导物验证的推理轨迹，增强了可解释性。
• 在材料科学中，模型的表征能自然分离元素相与化合物相，并区分高/低带隙区域，展示了跨领域泛化能力。
• 在 86 个基准测试中，SciReasoner 在 67 个任务上取得最先进结果，覆盖多个学科。
• 双盲专家评估显示，其推理轨迹在 98% 的案例中被认为优于或至少与前沿大语言模型相当，表明其推理质量高且可信。
• 核心创新在于将结构本身作为可检查的推理基底，在科学约束下实现可解释预测，解决了表征与推理的双重挑战。

意义与影响

SciReasoner 的提出标志着科学人工智能从“黑箱预测”向“可解释推理”迈出重要一步。传统方法在跨学科结构-性质预测中往往依赖特征工程或端到端学习，难以揭示预测背后的科学逻辑。SciReasoner 通过将结构信息离散化为 token 并作为推理证据，使模型不仅输出结果，还能展示如何基于立体化学、键合、对称性等物理约束得出预测。这种透明性对于药物设计、催化剂筛选、新材料发现等高风险领域尤为关键——科学家需要理解模型为何做出特定推荐，才能信任并迭代优化。

此外，SciReasoner 的统一词汇表设计打破了不同学科（蛋白质、小分子、无机晶体）之间的表示壁垒，为构建真正的跨学科科学基础模型提供了范例。其在大规模基准上的优异表现和专家评估的高认可度，表明该方法在保持准确性的同时，并未牺牲可解释性。未来，类似的“原生结构推理”范式可能扩展到更多科学领域（如软物质、超分子体系），并推动科学发现从数据驱动转向“证据驱动”的新模式。