SciReasoner：结构即语言，AI推理物质性质

原文内容概括缩写：传统AI在分析蛋白质序列时，往往只能识别氨基酸的线性顺序，而经验丰富的生物学家却能通过观察氨基酸折叠后形成的三维结构，洞察蛋白质功能的关键信息。这种结构认知能力是科学家直觉的核心。SciReasoner的核心创新在于：它不再将文本或序列作为AI的“语言”，而是将三维结构作为第一性语言。模型通过图神经网络或等变神经网络，直接学习原子在三维空间中的相对位置、键角、二面角、拓扑连接等结构特征，从而推理出蛋白质的活性位点、小分子的反应活性、晶体的电子能带结构等性质。在材料科学领域，晶体性能（如导电性、硬度）完全取决于晶格中原子排列方式；在分子设计领域，药物分子的活性取决于其三维构象与靶点蛋白的互补程度，而非简单的分子式。SciReasoner通过端到端学习，能够从已知结构数据库中无监督或半监督地提取结构模式，再迁移到性质预测任务。实验表明，在蛋白质稳定性预测、小分子毒性预测、材料带隙预测等基准测试中，SciReasoner相比基于序列的模型（如ESM、AlphaFold的序列版）准确率提升15%-30%，且推理过程可解释——它能输出哪些结构特征（如特定氢键网络、疏水核心）对性质贡献最大。该模型已在多个公开数据集上验证，并计划开源，以推动AI在生物制药、新能源材料、催化等领域的应用。