論文の概要: Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning

• arxiv url: http://arxiv.org/abs/2607.07708v1
• Date: Wed, 08 Jul 2026 17:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.490012
• Title: Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning
• Title（参考訳）: 深層構造推論を用いた高精度・学際的・透過的構造理解
• Authors: Chen Tang, Yizhou Wang, Jianyu Wu, Lintao Wang, Shixiang Tang, Pengze Li, Encheng Su, Jun Yao, Jiabei Xiao, Yuqi Shi, Jielan Li, Hongxia Hao, Zhangyang Gao, Fang Wu, Ben Fei, Xiangyu Yue, Pan Tan, Bozitao Zhong, Jinouwen Zhang, Aoran Wang, Yan Lu, Jiaheng Liu, Xinzhu Ma, Liang Hong, Mingyue Zheng, Phil Torr, Bowen Zhou, Wanli Ouyang, Lei Bai,
• Abstract要約: SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。 SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。 86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 103.788281428856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 構造-優位関係は、機能、反応性、物理的応答が空間的、化学的、周期的な組織から出現する生物学、化学、材料科学の基礎となっている。 これらの関係を機械的に説明するには、立体化学や結合から対称性、エネルギー学、周期的な順序まで、科学的原理や物理的制約を通じて構造的証拠を解釈する必要がある。 しかし、このプロセスに人工知能を適用することは、表現と推論の合同的な課題である:モデルはドメイン固有の構造情報を保存し、これらの制約の下で特定の証拠がどのように予測をサポートするかを示す必要がある。 SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のためのマルチモーダル科学基盤モデルである。 SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別し、構造トークンを推論中にアドレス可能なエビデンス単位として扱う。 ホモロジー制御された遺伝子オントロジー予測において、SciReasonerは低ホモロジーおよび孤児様タンパク質に対する細胞成分アノテーションを改善し、$F_{\max}$0.42から0.55に増加した。 化学において、1段階の逆合成精度は0.63から0.72に上昇し、断片レベルの切断と前駆的な検証の痕跡を生成する。 材料科学において、その表現は元素相と化合物相を分離し、高域と低域のギャップ状態を解決する。 86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。 ダブルブラインドの専門家評価は、その推論の痕跡を98%のケースにおいて、フロンティアの大規模言語モデルのものと好ましく、少なくとも同等であると評価している。 SciReasonerは、科学的制約の下での推論のための検査可能な基板を構築することで、正確な予測と解釈可能な科学的推論を結びつける。

関連論文リスト

• Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination [4.811614746460565]
  Graph-PRefLexorは、メカニズム探索、グラフ構築、パターン抽出、仮説合成のための明確なフェーズに推論を整理する。 材料科学とメカニックス文学からの100のオープンエンド質問に対して、Graph-PRefLexorは対応するベースモデルよりも40-65%改善されている。
  論文  参考訳（メタデータ） (2026-07-01T13:26:10Z)
• Proteo-R1: Reasoning Foundation Models for De Novo Protein Design [129.2825640976092]
  推論誘導型タンパク質設計フレームワークであるbfProteo-R1を紹介する。 アンフェロメトリ生成から分子内理解を分離する。 Proteo-R1は、最新の幾何学的生成モデルと推論の安定、解釈可能、モジュール的な統合を実現する。
  論文  参考訳（メタデータ） (2026-05-01T06:52:27Z)
• Deciphering Scientific Reasoning Steps from Outcome Data for Molecule Optimization [22.850204283344524]
  結果から科学的推論を解読するフレームワークであるDESROを提案する。 グループ化されたデータ内の共有パターンと重要な違いを分析することで、大きな言語モデル(LLM)が基盤となるロジックを復元することができる。 我々はこの枠組みを分子最適化において、薬物発見の重要な段階としてインスタンス化する。
  論文  参考訳（メタデータ） (2026-03-13T06:25:27Z)
• Logos: An evolvable reasoning engine for rational molecular design [18.041008766322346]
  我々は、多段階の論理的推論と厳密な化学的整合性を統合する、コンパクトな分子推論モデルであるLogosを提案する。 複数のベンチマークデータセットにまたがって、Logosは構造的精度と化学的妥当性の両方において高いパフォーマンスを達成する。 Logosは、生成された各構造の基礎となる設計ロジックの人間による検査と評価を可能にする。
  論文  参考訳（メタデータ） (2026-03-10T06:56:35Z)
• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Knowledge-Augmented Long-CoT Generation for Complex Biomolecular Reasoning [51.673503054645415]
  生体分子機構は、分子間相互作用、シグナルカスケード、代謝経路の多段階的推論を必要とする。 既存のアプローチはしばしばこれらの問題を悪化させる: 推論ステップは生物学的事実から逸脱したり、長い機械的依存関係を捉えるのに失敗する。 本稿では,LLMと知識グラフに基づくマルチホップ推論チェーンを統合したLong-CoT推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T09:26:32Z)
• Bridging the Plausibility-Validity Gap by Fine-Tuning a Reasoning-Enhanced LLM for Chemical Synthesis and Discovery [0.0]
  大規模言語モデルは、科学的に合理的に見えるが基本的な原則に反する出力をしばしば生成する。 本稿では、推論中心のモデルアーキテクチャと低ランク適応微調整を組み合わせた体系的なアプローチを提案する。 微調整されたシステムは96.3%の形式順守、97.4%の化学的妥当性、74.4%の合成可能性を達成する。
  論文  参考訳（メタデータ） (2025-07-09T23:05:23Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。