Точное, междисциплинарное и прозрачное понимание структуры и свойств с глубоким нативным структурным рассуждением

Аннотация

Связи между структурой и свойствами являются основополагающими для биологии, химии и материаловедения, где функция, реакционная способность и физический отклик возникают из пространственной, химической и периодической организации. Механистическое объяснение этих связей требует интерпретации структурных данных через научные принципы и физические ограничения — от стереохимии и связывания до симметрии, энергетики и периодического порядка. Однако применение искусственного интеллекта к этому процессу представляет собой совместную задачу представления и рассуждения: модели должны сохранять предметно-ориентированную структурную информацию, показывая, как конкретные данные подтверждают предсказания в рамках этих ограничений. Здесь мы представляем SciReasoner — мультимодальную научную фундаментальную модель для нативных структурных рассуждений, охватывающую белки, малые молекулы и неорганические кристаллы. SciReasoner дискретизирует координаты, топологии и периодические связности в единый структурированный словарь, рассматривая структурные токены как адресуемые единицы данных в процессе рассуждения. При контролируемой по гомологии предсказании Gene Ontology SciReasoner улучшает аннотацию клеточных компонентов для белков с низкой гомологией и орфан-подобных белков, увеличивая F_{max} с 0,42 до 0,55. В химии он повышает точность одношагового ретросинтеза с 0,63 до 0,72, генерируя трассировки разрыва на уровне фрагментов и проверки предшественников. В материаловедении его представления разделяют элементарные и соединенные фазы и различают режимы высокой и низкой ширины запрещенной зоны. На 86 бенчмарках SciReasoner достигает современных результатов на 67 задачах. Двойная слепая экспертная оценка оценивает его следы рассуждений как предпочтительные или, по крайней мере, сравнимые с таковыми у передовой большой языковой модели в 98% случаев. Делая структуру инспектируемой основой для рассуждений в рамках научных ограничений, SciReasoner связывает точное предсказание с интерпретируемым научным выводом.

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.