SciReasoner: единая модель ИИ для «прозрачного» предсказания свойств по структуре в биологии, химии и материаловедении

Связь между структурой и свойством лежит в основе биологии, химии и материаловедения: функция белка, реакционная способность молекулы или физический отклик кристалла определяются тем, как устроены их пространственная форма, химические связи и периодический порядок. Объяснить эту связь механистически, значит показать, как конкретные структурные свидетельства (стереохимия, тип связи, симметрия, энергетика, периодичность) ведут к выводу, а не просто выдать предсказание. Команда во главе с Чэнь Таном представила SciReasoner, мультимодальную научную базовую модель, которая рассуждает над «родной» для домена структурой одновременно для белков, малых молекул и неорганических кристаллов. Модель переводит координаты атомов, топологию связей и периодическую упорядоченность кристаллов в единый структурный словарь, где каждый «токен» структуры становится адресуемой единицей доказательства, на которую модель может сослаться в ходе рассуждения. Результаты проверены на 86 бенчмарках, из которых на 67 модель показала лучший результат среди сравниваемых. В задаче предсказания клеточной локализации белка (Gene Ontology, категория Cellular Component) для низкогомологичных и «сиротских» белков, то есть таких, для которых мало похожих известных белков, метрика F_max выросла с 0,42 до 0,55. В химии точность одностадийного ретросинтеза (предсказания, из каких реагентов можно получить целевую молекулу) выросла с 0,63 до 0,72, при этом модель дополнительно выдаёт трассировку разбиения молекулы на фрагменты и проверки предшественников, то есть показывает шаги рассуждения, а не только финальный ответ. В материаловедении внутренние представления модели разделяют элементарные и составные фазы вещества и различают материалы с высокой и низкой шириной запрещённой зоны (это определяет, проводник, полупроводник или изолятор перед нами). Отдельно авторы провели двойное слепое экспертное сравнение: эксперты оценивали цепочки рассуждений SciReasoner против рассуждений топовой универсальной большой языковой модели, в 98% случаев эксперты предпочли рассуждения SciReasoner или сочли их как минимум сопоставимыми.

Ключевые факты

SciReasoner, одна модель для белков, малых молекул и неорганических кристаллов, работающая напрямую со структурой, а не только с текстовым описанием
Структура (координаты, связи, периодичность кристалла) кодируется в единый словарь токенов, на которые модель ссылается при рассуждении, это делает вывод проверяемым, а не «чёрным ящиком»
F_max для предсказания клеточной локализации редких/малоизученных белков вырос с 0,42 до 0,55
Точность одностадийного ретросинтеза в химии выросла с 0,63 до 0,72, с трассировкой разбиения молекулы на фрагменты
Из 86 бенчмарков модель лидирует на 67; в 98% случаев эксперты предпочли или сочли сопоставимыми её рассуждения против рассуждений топовой LLM

Почему это важно

Большинство моделей ИИ для науки либо хороши в одной узкой области (только белки или только молекулы), либо предсказывают число без объяснения, откуда оно взялось. SciReasoner заявляет универсальность сразу по трём доменам и, что важнее, делает само рассуждение проверяемым: структурные элементы становятся «уликами», на которые можно указать пальцем в цепочке вывода. Это шаг в сторону ИИ для науки, который не просто угадывает ответ, а показывает обоснование, критично там, где ошибку дорого не заметить.

Кому это важно

Биоинформатикам и структурным биологам, которые работают с малоизученными («сиротскими») белками, где обычные методы аннотации функции буксуют из-за отсутствия похожих известных белков. Химикам-синтетикам, планирующим маршруты синтеза (ретросинтез). Материаловедам, подбирающим вещества с нужными электронными свойствами. А также разработчикам ИИ-инструментов для науки, как ориентир, что «мультидоменность плюс интерпретируемость» уже достижимы в одной модели.

Как это применить

Практическая ценность, в трёх готовых сценариях из статьи: (1) аннотация функции белка по структуре, особенно для редких белков без близких аналогов в базах данных; (2) планирование ретросинтеза с проверяемыми шагами разбиения молекулы, что упрощает проверку человеком предложенного маршрута; (3) скрининг материалов по электронным свойствам (ширина запрещённой зоны) на основе структурных представлений, а не только табличных дескрипторов. Пока речь о научной публикации, а не об общедоступном продукте, практическое применение потребует доступа к модели или её открытого релиза.

Можно ли доверять

Заявленные цифры (рост F_max, точности ретросинтеза, лидерство на 67 из 86 бенчмарков), собственные результаты авторов из препринта на HuggingFace Papers, независимая верификация сообществом на момент публикации ещё не проведена. Двойное слепое экспертное сравнение (98% предпочтения), сильный аргумент в пользу качества рассуждений, но методология самой оценки (кто эксперты, как формулировались вопросы) в исходном тексте не раскрыта подробно. Относиться стоит как к многообещающему исследовательскому результату, требующему проверки на независимых данных, а не как к готовому промышленному стандарту.

Риски и подводные камни

Основной риск, типичный для ИИ-исследований в науке: бенчмарки могли быть подобраны так, чтобы показать модель в выгодном свете, а перенос на реальные, «дикие» данные (новые белки, ранее не встречавшиеся классы материалов) может оказаться хуже заявленного. Экспертная оценка рассуждений, даже слепая, субъективная по своей природе, эксперты могли предпочитать более «читаемый» стиль объяснения, а не более верный по существу. Наконец, интерпретируемость на уровне структурных токенов не гарантирует интерпретируемости причинно-следственной связи: модель может корректно указывать на релевантные фрагменты структуры, но ошибаться в самом механизме, который она описывает.