Präzises, interdisziplinäres und transparentes Struktur-Eigenschafts-Verständnis durch tiefgehendes natives strukturelles Schlussfolgern

Zusammenfassung

Struktur-Eigenschafts-Beziehungen sind grundlegend für Biologie, Chemie und Materialwissenschaften, wo Funktion, Reaktivität und physikalische Reaktionen aus räumlicher, chemischer und periodischer Organisation hervorgehen. Eine mechanistische Erklärung dieser Beziehungen erfordert die Interpretation struktureller Nachweise anhand wissenschaftlicher Prinzipien und physikalischer Randbedingungen – von Stereochemie und Bindung über Symmetrie, Energetik bis hin zu periodischer Ordnung. Die Anwendung künstlicher Intelligenz auf diesen Prozess stellt jedoch eine doppelte Herausforderung dar, die Repräsentation und Schlussfolgerung betrifft: Modelle müssen domänenspezifische Strukturinformationen bewahren und gleichzeitig zeigen, wie konkrete Nachweise unter diesen Randbedingungen Vorhersagen stützen. Hier stellen wir SciReasoner vor, ein multimodales wissenschaftliches Grundlagenmodell für natives strukturelles Schließen über Proteine, kleine Moleküle und anorganische Kristalle hinweg. SciReasoner diskretisiert Koordinaten, Topologien und periodische Verbindungen in ein einheitliches strukturbewusstes Vokabular und behandelt strukturelle Token als adressierbare Beweiseinheiten während des Schließens. In der homologiekontrollierten Vorhersage der Gen-Ontologie verbessert SciReasoner die Annotation zellulärer Komponenten für Proteine mit geringer Homologie und Orphan-Proteine und steigert den F_{max}-Wert von 0,42 auf 0,55. In der Chemie erhöht es die Genauigkeit einstufiger Retrosynthese von 0,63 auf 0,72 und erzeugt dabei Fragmentierungs- und Vorläuferverifikationspfade auf Fragmentebene. In der Materialwissenschaft trennen seine Darstellungen elementare und Verbindungsphasen und lösen Bereiche hoher und niedriger Bandlücke auf. Über 86 Benchmarks hinweg erzielt SciReasoner auf 67 Aufgaben Spitzenleistungen. Eine doppelblinde Expertenbewertung bewertet seine Schlussfolgerungspfade in 98 % der Fälle als bevorzugt oder zumindest vergleichbar mit denen eines führenden großen Sprachmodells. Indem SciReasoner Struktur zu einem überprüfbaren Substrat für das Schließen unter wissenschaftlichen Randbedingungen macht, verbindet es präzise Vorhersage mit interpretierbarer wissenschaftlicher Schlussfolgerung.

English

Structure-property relationships are foundational to biology, chemistry and materials science, where function, reactivity and physical response emerge from spatial, chemical and periodic organization. Mechanistically explaining these relationships requires interpreting structural evidence through scientific principles and physical constraints, from stereochemistry and bonding to symmetry, energetics and periodic order. However, applying artificial intelligence to this process presents a joint challenge of representation and reasoning: models must preserve domain-native structural information while showing how specific evidence supports predictions under these constraints. Here we introduce SciReasoner, a multimodal scientific foundation model for native structural reasoning across proteins, small molecules and inorganic crystals. SciReasoner discretizes coordinates, topologies and periodic connectivities into a unified structure-aware vocabulary, treating structural tokens as addressable evidence units during reasoning. In homology-controlled Gene Ontology prediction, SciReasoner improves Cellular Component annotation for low-homology and orphan-like proteins, increasing F_{max} from 0.42 to 0.55. In chemistry, it raises single-step retrosynthesis accuracy from 0.63 to 0.72 while generating fragment-level disconnection and precursor-verification traces. In materials science, its representations separate elemental and compound phases and resolve high- and low-band-gap regimes. Across 86 benchmarks, SciReasoner achieves state-of-the-art performance on 67 tasks. Double-blind expert evaluation rates its reasoning traces as preferred or at least comparable to those of a frontier large language model in 98% of cases. By making structure an inspectable substrate for reasoning under scientific constraints, SciReasoner connects accurate prediction with interpretable scientific inference.