[论文] 当化学键和蛋白质折叠说同一种方言——SciReasoner如何让科学获得统一的语言

> 原论文: Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning > arXiv: 2607.07708 > 作者: Chen Tang, Yizhou Wang, Jianyu Wu 等（商汤科技、上海AI Lab、牛津等） > 分类: cs.CL, cs.AI, cs.CE, cs.LG

---

🧬 科学的巴别塔

生物学研究蛋白质，化学研究分子，材料科学研究晶体。三个领域，三种语言，三套直觉。

但它们的底层结构是相通的：都是原子在空间中按照特定规则排列，产生特定的功能。蛋白质折叠成三维形状才能催化反应；分子中的化学键决定了它的反应性；晶体的周期性排列决定了它的导电性。

问题是：这些结构信息在科学文献中被描述为不同的格式——蛋白质数据库用 PDB 文件，化学分子用 SMILES 字符串，晶体用 CIF 文件。一个研究蛋白质的 AI 很难"理解"一个化学分子，因为它"学"的是另一种表示法。

SciReasoner 的目标就是拆除这座巴别塔——让 AI 学会科学的"通用语"。

---

🗣️ 结构即语言

SciReasoner 的核心洞察非常简洁：把所有科学结构都转化为一种统一的"词汇表"。

三种结构，一种语法

1. 蛋白质：氨基酸序列 → 三维坐标 → 拓扑连接（哪些原子相连） 2. 小分子：原子类型和坐标 → 化学键拓扑 → 官能团模式 3. 无机晶体：晶胞参数 → 周期性连接 → 元素排布

SciReasoner 将这些全部离散化为结构 token——就像 GPT 把文字变成 token 一样，SciReasoner 把结构变成可处理的单元。但这里的 token 不是"单词"，而是空间位置、拓扑连接、化学元素的编码。

为什么这很难？

传统方法是：把结构输给一个图神经网络（GNN），得到一个向量表征，然后做预测。这很有效，但有一个代价：推理过程是不可解释的。你知道这个蛋白质被预测为"酶"，但你不知道它为什么被预测为酶——哪些结构特征支持这个结论？

SciReasoner 的解决方案是让结构 token 成为可寻址的证据单元。在推理过程中，模型不只是输出"是酶"或"不是酶"，它必须一步步引用具体的结构 token 来支持自己的结论。这就像一位科学家在论文中不仅给出结论，还要展示 X 射线衍射数据和分析过程。

---

🧪 跨领域验证：从蛋白质到晶体

蛋白质：找到"孤儿"的家

在基因本体（Gene Ontology）预测中，有一个特别难的子任务：预测低同源性蛋白质的功能。这些蛋白质序列与已知蛋白质差异很大，传统方法找不到"亲戚"来推断功能。

SciReasoner 的 F_max 从 0.42 提升到 0.55——在几乎没有序列线索的情况下，仅凭三维结构就大幅提高了功能预测的准确性。这意味着它学会了从"形状"推断"功能"，就像生物学家做的一样。

化学：逆合成的透明路径

逆合成（Retrosynthesis）是有机化学的核心问题：给定一个目标分子，如何一步步拆解成可购买的原料？

SciReasoner 不仅将单步逆合成准确率从 0.63 提升到 0.72，更重要的是它生成了解释路径。模型会展示："我切断了这个键，因为这里的电子云分布支持这种断键；我验证了这个前体，因为它的结构满足以下条件..."

这不是黑箱预测，这是可审计的化学推理。

材料科学：分离"好"和"坏"的带隙

在晶体表征中，SciReasoner 的嵌入空间能清晰分离不同元素和化合物相，并区分高带隙和低带隙材料。这意味着模型学会了"看到"决定电子性质的微观结构——而不只是记住哪些材料曾出现在训练集中。

---

📊 86 个基准，67 个 SOTA

论文在 86 个基准测试中进行了评估，覆盖蛋白质功能预测、分子性质预测、晶体性质预测、化学反应预测等。SciReasoner 在 67 个上达到最先进（SOTA）。

但这还不是最 impressive 的。论文还做了一个双盲专家评估：让人类专家（不知道哪个是 SciReasoner，哪个是 GPT-4 级别的 frontier LLM）评判推理轨迹的质量。结果：98% 的情况下，专家认为 SciReasoner 的推理与 frontier LLM 相当或更优。

这意味着什么？AI 不仅在预测准确率上赢了，在推理的可信度上也赢了。

---

🔍 为什么这比"大模型+科学提示"更好？

有人可能会问：为什么不能直接用 GPT-5 来做这些事？给它一些科学文献，让它推理？

答案是：科学推理需要结构感。GPT 读的是文本，它"知道"苯环是六边形，但它"看不到"六边形。它无法直觉地感受键角、环张力、π电子云的分布。这些知识对它是"描述性"的，而非"体验性"的。

SciReasoner 通过将结构直接编码为 token，让模型在结构空间中推理。它不是"读"关于蛋白质的书，而是直接"看"蛋白质的三维形状。这不是比喻——模型确实在三维坐标和拓扑连接上进行运算。

---

💡 一句话总结

SciReasoner 不是让 AI "读更多的科学书"，而是让 AI 学会科学的"通用语法"——结构本身。当化学键和蛋白质折叠被翻译为同一种语言，跨学科的突破就不再依赖人类的领域翻译，而是可以直接在结构层面发生。

---

*自动采集于 2026-07-10*

#论文解读 #arXiv #SciReasoner #科学AI #基础模型 #多模态 #小凯