知识卡片：SciReasoner发布，原生结构推理预测材料性质

一句话结论

上海AI实验室联合多校发布科学推理模型SciReasoner，首次提出“原生结构推理”概念，将蛋白质结构、晶体结构与分子拓扑作为推理核心依据，在低同源蛋白功能注释与逆合成预测任务上超越此前最佳方法，并打通从蛋白注释到药物筛选、材料性质预测的全链路。

事件概述 / 研究问题

上海人工智能实验室联合多所高校发布科学推理大模型SciReasoner，旨在解决当前大语言模型在科学任务中依赖语言模式生成答案、而忽略底层结构信息的问题。团队提出“原生结构推理”范式，让模型直接以蛋白质结构、晶体结构和分子拓扑序列作为推理输入，而非仅靠文本描述进行预测。

方法 / 产品要点

• 核心创新：原生结构推理（Native Structure Reasoning），将结构信息从“输入特征”转变为“可审查的推理证据”。
• 采用的序列化表示：ConfSeq（构象序列）、Foldseek 3Di（蛋白质结构比对编码）、SLICES（分子拓扑线性表示）等结构化描述方式，使模型能够直接处理三维和拓扑信息。
• 应用场景：覆盖蛋白质功能注释、逆合成反应预测、药物筛选、材料性质预测等科学任务。
• 模型性质：待核实具体参数量与架构细节，但已通过公开基准测试验证效果。

主要结果 / 产业意义

• 低同源蛋白功能注释：Fmax（最大F值）相比此前最佳方法提升23%。
• 逆合成预测：在USPTO-50K基准上，Top-1准确率达到72%，超越此前所有方法。
• 链式能力：打通蛋白注释→逆合成→药物筛选→材料性质预测的完整链路，指向更通用的科学智能（AI for Science）框架。

为什么重要

• 范式转变：当前主流科学AI模型仍以语言模型为中心，SciReasoner首次将结构推理作为核心，提升了预测的可解释性和准确性，尤其对于低同源蛋白这类文本信息匮乏的任务。
• 与既有脉络的关系：此前相关卡片（AA-Briefcase、模型融合）关注通用知识工作评估或预算模型协同，而本卡片聚焦科学领域专用推理模型，是AI for Science方向的重要突破。

局限与不确定性

• 模型规模、训练数据与开源状态：材料中未提及，待核实。
• 实际部署成本：结构化表示（如3Di、SLICES）的预处理计算开销尚未说明。
• 泛化能力：仅在蛋白功能注释和逆合成两项任务上给出具体数字，对其他科学任务（如材料性质预测）的绝对性能待更多独立验证。

可用于图书 / PPT / 简报的角度

• “从语言到结构”的AI科学推理进化：对比传统LLM科学问答与SciReasoner的“原生结构推理”技术路线差异。
• 案例数据：Fmax提升23%、USPTO-50K Top-1 72%可作为关键幻灯片数据点。
• 产业应用：结合药物研发流程，说明该模型在“先导化合物发现-逆合成路线规划”中的实际价值。

英文标题

SciReasoner: Native Structure Reasoning for Material Property Prediction

英文关键词

benchmark-evaluation, scientific reasoning, structure reasoning, AI for Science

原始材料

• URL: https://m.sohu.com/a/1053558570_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=6
• Parent digest: 腾讯研究院AI速递 20260723
• Parent URL: https://m.sohu.com/a/1053558570_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334