論文の概要: Does Learning Protein Folding Generalize to Broader Reasoning?

• arxiv url: http://arxiv.org/abs/2609.38879v1
• Date: Wed, 30 Sep 2026 03:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.121731
• Title: Does Learning Protein Folding Generalize to Broader Reasoning?
• Title（参考訳）: タンパク質の折りたたみ学習はより広義の推論に一般化されるか?
• Abstract要約: 大きな言語モデルは人間の文章に大きく依存しており、その背景にある空間的論理や構造的論理よりも表面的な答えを伝達することが多い。 タンパク質の折り畳みは自然なテストベッドであり、1つの解決された構造は、正確にチェック可能な空間的および位相的ステートメントを数千個生成する。 FoldingCorpusはタンパク質由来の質問応答データセットで、Fold2Reasonは2つの補完的なシグナルを通じてそれを後処理するレシピです。 FoldBenchでは、Fold2ReasonはQwen3.5-9Bの2.7から3.5倍の構造予測スコアを達成している。
• 参考スコア（独自算出の注目度）: 14.733107461946771
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language models rely heavily on human text, which often conveys surface answers rather than the spatial and structural logic behind them. Protein folding is a natural testbed, because one solved structure yields thousands of exactly checkable spatial and topological statements. We ask: can learning to fold proteins teach general models reusable reasoning capabilities? To answer this, we build FoldingCorpus, a protein-derived question-answer dataset, and Fold2Reason, a recipe that post-trains on it through two complementary signals: discrete structural answers predicted via the model's native language head, and continuous 3D geometry decoded from the same shared representations. On FoldBench, Fold2Reason achieves structure prediction scores 2.7 to 3.5 times those of Qwen3.5-9B. Beyond protein structure prediction, it improves performance on all 10 benchmarks spanning spatial, graph, scientific, and general reasoning, raising macro-average accuracy from 45.09% to 48.33% (+3.23 pp), with positive gains on all 10 benchmarks, while matched controls built from random, synthetic, and shuffled structure yield substantially smaller or negative gains. Our work shows that non-linguistic, structure-dense scientific data can systematically improve broad reasoning in language models, making a solved scientific problem a practical source of post-training supervision.
• Abstract（参考訳）: 大きな言語モデルは人間の文章に大きく依存しており、その背景にある空間的論理や構造的論理よりも表面的な答えを伝達することが多い。 タンパク質の折り畳みは自然なテストベッドであり、1つの解決された構造は、正確にチェック可能な空間的および位相的ステートメントを数千個生成する。 タンパク質の折りたたみ学習は、再利用可能な推論能力を一般的なモデルに教えることができますか? これに対応するために、タンパク質由来の問合せデータセットであるFoldingCorpusと、モデルのネイティブ言語ヘッドを介して予測される離散的構造的回答と、同じ共有表現からデコードされた連続的な3D幾何学という、2つの補完的なシグナルを通じて、後からトレーニングするレシピであるFold2Reasonを構築した。 FoldBenchでは、Fold2ReasonはQwen3.5-9Bの2.7から3.5倍の構造予測スコアを達成している。 タンパク質構造予測以外にも、空間、グラフ、科学、一般的な推論にまたがる10のベンチマーク全てのパフォーマンスを改善し、マクロ平均精度を45.09%から48.33%(+3.23pp)に引き上げ、全てのベンチマークで正の利得を得た。 本研究は,非言語的・構造的な科学的データは,言語モデルにおける広範囲な推論を体系的に改善し,科学的問題の解決をポストトレーニング管理の実践的源とすることができることを示す。

関連論文リスト

• Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
  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。
  論文  参考訳（メタデータ） (2026-07-08T17:59:59Z)
• ProtStructQA: A Denotation Threshold in Protein Structural Reasoning [2.997268954610233]
  ProtStructQAはタンパク質構造質問応答の実行可能なベンチマークである。 信頼性、距離、予測誤差(PAE)、溶媒暴露、二次構造、トポロジ、接触に関する382.2Kの質問を公表する。 我々はQwen3-1.7BとQwen3-4Bの間に能力依存的な記述しきい値を求める。
  論文  参考訳（メタデータ） (2026-05-30T00:42:38Z)
• SCALAR: Quantifying Structural Hallucination, Consistency, and Reasoning Gaps in Materials Foundation Models [2.3982445219832678]
  材料基礎モデルにおける幾何スケールの一般化とその構造幻覚, 一貫性, 推論への関連性を評価するためのベンチマークであるSCALARを紹介する。 正準結晶表現が与えられた場合、モデルは超細胞膨張と数原子から18,000原子を超える長さのスケールにわたる幾何学的切り離しによって得られる導出したナノ粒子構造を推論しなければならない。 実験では、明示的な推論の下で大きなモデル依存のシフトを示し、幻覚や誤りを少なくするが、一貫性や妥当性を不安定にすることが多い。
  論文  参考訳（メタデータ） (2026-01-29T20:52:58Z)
• SciReasoner: Laying the Scientific Reasoning Ground Across Disciplines [112.78540935201558]
  我々は、自然言語と異質な科学的表現を整合させる科学的推論基盤モデルを提案する。 このモデルは、科学的なテキスト、純粋なシーケンス、シーケンスとテキストのペアにまたがる206Bのコーパスで事前訓練され、4000万の命令でSFTを介してアライメントされる。 i) テキストと科学形式間の忠実な翻訳、(ii) テキスト/知識抽出、(iii) プロパティの予測、(iv) プロパティの分類、(v) 条件なしおよび条件付きシーケンスの生成と設計。
  論文  参考訳（メタデータ） (2025-09-25T17:52:06Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• Protein 3D Graph Structure Learning for Robust Structure-based Protein Property Prediction [43.46012602267272]
  タンパク質の構造に基づく特性予測は、様々な生物学的タスクにおいて有望なアプローチとして現れてきた。 現在のプラクティスは、推論中に正確に予測された構造を用いるだけで、予測精度の顕著な低下に悩まされている。 本フレームワークはモデルに依存しず,予測構造と実験構造の両方の特性予測の改善に有効である。
  論文  参考訳（メタデータ） (2023-10-14T08:43:42Z)
• Structure-informed Language Models Are Protein Designers [69.70134899296912]
  配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。 pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。 実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-02-03T10:49:52Z)
• MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
  複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。 推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。 この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
  論文  参考訳（メタデータ） (2022-10-22T16:01:13Z)
• Hierarchical, rotation-equivariant neural networks to select structural models of protein complexes [6.092214762701847]
  タンパク質複合体の正確なモデルを特定するために,全ての原子の3次元位置から直接学習する機械学習手法を提案する。 我々のネットワークは、考えられるモデルの大きな集合のうち、正確な構造モデルの同定を大幅に改善する。
  論文  参考訳（メタデータ） (2020-06-05T20:17:12Z)

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。