Comprensión Precisa, Interdisciplinaria y Transparente de la Relación Estructura-Propiedad mediante Razonamiento Estructural Nativo Profundo

Resumen

Las relaciones estructura-propiedad son fundamentales para la biología, la química y la ciencia de materiales, donde la función, la reactividad y la respuesta física emergen de la organización espacial, química y periódica. Explicar mecanicistamente estas relaciones requiere interpretar la evidencia estructural a través de principios científicos y restricciones físicas, desde la estereoquímica y el enlace hasta la simetría, la energética y el orden periódico. Sin embargo, aplicar inteligencia artificial a este proceso presenta un desafío conjunto de representación y razonamiento: los modelos deben preservar la información estructural propia del dominio, al tiempo que muestran cómo evidencia específica respalda predicciones bajo dichas restricciones. Aquí presentamos SciReasoner, un modelo fundacional científico multimodal para el razonamiento estructural nativo en proteínas, moléculas pequeñas y cristales inorgánicos. SciReasoner discretiza coordenadas, topologías y conectividades periódicas en un vocabulario unificado sensible a la estructura, tratando los tokens estructurales como unidades de evidencia direccionables durante el razonamiento. En la predicción de Ontología Génica controlada por homología, SciReasoner mejora la anotación de Componente Celular para proteínas de baja homología y similares a huérfanas, aumentando F_{max} de 0,42 a 0,55. En química, eleva la precisión de retrosíntesis en un solo paso de 0,63 a 0,72, generando trazas de desconexión a nivel de fragmento y verificación de precursores. En ciencia de materiales, sus representaciones separan fases elementales y de compuestos, y resuelven regímenes de alta y baja brecha de banda. En 86 puntos de referencia, SciReasoner alcanza un rendimiento de vanguardia en 67 tareas. La evaluación doble ciego por expertos califica sus trazas de razonamiento como preferidas o al menos comparables a las de un modelo de lenguaje de frontera en el 98% de los casos. Al hacer de la estructura un sustrato inspeccionable para el razonamiento bajo restricciones científicas, SciReasoner conecta la predicción precisa con la inferencia científica interpretable.

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.