심층 고유 구조 추론을 기반으로 한 정확하고 학제적이며 투명한 구조-물성 이해

초록

구조-물성 관계는 생물학, 화학, 재료과학의 기초를 이루며, 기능, 반응성, 물리적 응답이 공간적, 화학적, 주기적 조직으로부터 발현됩니다. 이러한 관계를 메커니즘적으로 설명하려면 입체화학과 결합에서부터 대칭성, 에너지학, 주기적 질서에 이르기까지 과학적 원리와 물리적 제약 조건을 통해 구조적 증거를 해석해야 합니다. 그러나 인공지능을 이 과정에 적용하는 것은 표현과 추론의 공동 과제를 제시합니다. 즉, 모델은 도메인 고유의 구조 정보를 보존하면서 특정 증거가 이러한 제약 조건 하에서 예측을 어떻게 뒷받침하는지 보여주어야 합니다. 여기서 우리는 단백질, 소분자, 무기 결정체 전반에 걸친 고유 구조 추론을 위한 다중 모드 과학 기반 모델인 SciReasoner를 소개합니다. SciReasoner는 좌표, 위상 구조, 주기적 연결성을 통합된 구조 인식 어휘로 이산화하여, 구조적 토큰을 추론 과정에서 주소 지정이 가능한 증거 단위로 취급합니다. 상동성 제어 유전자 온톨로지(Gene Ontology) 예측에서 SciReasoner는 낮은 상동성 및 고아 유사 단백질에 대한 세포 구성 요소(Cellular Component) 주석을 개선하여 F_{max}를 0.42에서 0.55로 향상시켰습니다. 화학 분야에서는 단일 단계 역합성 정확도를 0.63에서 0.72로 높이는 동시에 단편 수준의 절단 및 전구체 검증 추적을 생성합니다. 재료과학에서 그 표현은 원소 및 화합물 상을 분리하고 높은 및 낮은 밴드갭 영역을 구분합니다. 86개 벤치마크 중 SciReasoner는 67개 작업에서 최첨단 성능을 달성합니다. 이중 맹검 전문가 평가는 SciReasoner의 추론 추적이 98%의 사례에서 최첨단 대규모 언어 모델의 것보다 선호되거나 적어도 유사한 수준으로 평가했습니다. 구조를 과학적 제약 조건 하의 추론을 위한 검사 가능한 기반으로 만듦으로써 SciReasoner는 정확한 예측을 해석 가능한 과학적 추론과 연결합니다.

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.