深層ネイティブ構造推論による正確で学際的かつ透明性のある構造-特性理解

要旨

構造－物性関係は、生物学、化学、材料科学の基盤であり、そこでは機能、反応性、物理的応答が空間的、化学的、周期的な組織化から生じます。これらの関係を機構的に説明するには、立体化学や結合から対称性、エネルギー論、周期秩序に至るまで、科学的原理と物理的制約を通じて構造的証拠を解釈する必要があります。しかし、このプロセスに人工知能を適用することは、表現と推論の二重の課題を提示します。すなわち、モデルはドメイン固有の構造情報を保持しつつ、特定の証拠がこれらの制約下でどのように予測を支持するかを示さなければなりません。本稿では、タンパク質、低分子、無機結晶を対象としたネイティブ構造推論のためのマルチモーダル科学基盤モデル「SciReasoner」を紹介します。SciReasonerは、座標、トポロジー、周期結合性を統合的な構造認識語彙に離散化し、推論時に構造トークンをアドレス指定可能なエビデンス単位として扱います。相同性制御下での遺伝子オントロジー予測において、SciReasonerは低相同性タンパク質やオーファン様タンパク質に対する細胞成分アノテーションを改善し、F_{max}を0.42から0.55に向上させました。化学分野では、単段階逆合成の精度を0.63から0.72に引き上げると同時に、フラグメントレベルの開裂と前駆体検証のトレースを生成します。材料科学においては、その表現は元素相と化合物相を分離し、高バンドギャップ領域と低バンドギャップ領域を識別します。86のベンチマークにおいて、SciReasonerは67のタスクで最先端の性能を達成しました。二重盲検の専門家評価では、その推論トレースは、98%のケースで最先端の大規模言語モデルと同等かそれ以上に好ましいと評価されました。科学制約下での推論において構造を検査可能な基盤とすることにより、SciReasonerは正確な予測と解釈可能な科学的推論を結びつけます。

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.