Compréhension précise, interdisciplinaire et transparente des relations structure-propriété grâce à un raisonnement structurel natif profond.

Résumé

Les relations structure-propriété sont fondamentales en biologie, chimie et science des matériaux, où la fonction, la réactivité et la réponse physique émergent de l'organisation spatiale, chimique et périodique. Expliquer mécaniquement ces relations nécessite d'interpréter les preuves structurales à travers des principes scientifiques et des contraintes physiques, allant de la stéréochimie et de la liaison à la symétrie, l'énergétique et l'ordre périodique. Cependant, appliquer l'intelligence artificielle à ce processus pose un double défi de représentation et de raisonnement : les modèles doivent préserver les informations structurales propres au domaine tout en montrant comment des preuves spécifiques soutiennent les prédictions sous ces contraintes. Nous présentons ici SciReasoner, un modèle fondamental scientifique multimodal pour le raisonnement structural natif dans les protéines, les petites molécules et les cristaux inorganiques. SciReasoner discrétise les coordonnées, les topologies et les connectivités périodiques en un vocabulaire unifié sensible à la structure, traitant les jetons structuraux comme des unités de preuve adressables lors du raisonnement. Dans la prédiction d'ontologie génique contrôlée par homologie, SciReasoner améliore l'annotation des composants cellulaires pour les protéines à faible homologie et de type orphelin, augmentant le F_{max} de 0,42 à 0,55. En chimie, il élève la précision de la rétrosynthèse en une étape de 0,63 à 0,72 tout en générant des traces de déconnexion au niveau des fragments et de vérification des précurseurs. En science des matériaux, ses représentations séparent les phases élémentaires et composées et résolvent les régimes de grande et petite bande interdite. Sur 86 références, SciReasoner atteint des performances de pointe sur 67 tâches. Une évaluation en double aveugle par des experts juge ses traces de raisonnement comme préférées ou au moins comparables à celles d'un modèle de langage de pointe dans 98 % des cas. En faisant de la structure un substrat inspectable pour le raisonnement sous contraintes scientifiques, SciReasoner relie une prédiction précise à une inférence scientifique interprétable.

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.