AI也能在分子空间里做推演：Scinetics提出可验证的科学推理链

模型的思维链让AI具备了用文字逐步推理的能力，但科学家的思考过程却发生在分子的三维空间、基因序列和实验曲线之中。

试想，如果AI也能直接运用这些科学对象进行思考，它的能力边界将会拓展到何种程度？

Scinetics提出的方向是Chain of Science Tokens——科学Token链。它将序列、结构、图像、组学和测量数据转化为模型可读写的科学信息单元，并让这些单元与语言共同构成推理过程。

文字设定目标，科学状态承载中间决策，每一步的产物都成为下一步的依据。例如，为蛋白质设计一个更合适的结合口袋，模型可以读取局部结构、尝试放入一种侧链，再检查空间冲突并调整方案。这便是科学Token链期望实现的推理方式：一次“思考”对应一次结构变化，结果能够被后续计算和实验检验。

△

用一条结构链回答酶应该长什么样

△

沿着这一方向，Scinetics团队在Chain of Structures（COS）中选择酶设计作为突破口，将科学Token链落实为四轮逐步成形的蛋白质结构。这项工作由来自麻省理工学院（MIT）、哈佛大学、剑桥大学、香港科技大学和Scinetics等机构的研究人员共同完成，张载熙为通讯作者。

酶设计的难点在于，整体形状合理还不够。关键残基需要在正确的位置相遇，底物需要以合适的姿态进入，周围结构也必须为催化提供支撑。要从一条化学反应走到一个完整蛋白质，模型必须同时回答“为什么这样设计”和“怎样把它构建出来”。

COS将这项任务拆解为四轮。第一轮确定催化核心：依据反应需求，选择承担关键化学作用的残基，构建最初的局部几何。第二轮完善活性位点：围绕核心补充识别底物和支持反应的相互作用，为催化搭建微环境。

第三轮构建全局骨架：让整个蛋白质包围并支撑活性位点，同时保留底物进入的空间。第四轮补全序列与侧链：将局部设计拓展成完整蛋白质。每一轮都产生实际的结构状态，后续设计需要尊重已形成的约束。

这一过程像是在分子尺度上逐层搭建一座精密工厂：先明确最核心的反应装置，再安排周边环境和整体框架，最后补齐全部构件。结构链让局部催化需求与全局蛋白质设计能够持续对接。

连接推理与生成，是其中的关键。COS一方面传递明确的残基和位置约束，另一方面利用连续表示，将结构训练信号传回推理端。模型由此学习的不只是怎样描述方案，还有怎样提出生成器能够实现的方案。当前四轮流程向前推进；更长的推理、回退与纠错，是团队继续探索的方向。

△

六项指标五项领先

在本次酶设计基准对比中，COS取得了新的SOTA表现：六项评测指标中五项排名第一，覆盖功能匹配、结构置信度和结构自洽性。三级酶分类一致率EC3达到57.0%，超过CodeFP的55.3%；pLDDT达到79.3，TM-score达到0.729。

△

消融结果说明，结构链的价值来自推理与生成的配合。去掉推理链后，EC3降至53.4%；保留推理链但去掉连续接口，则降至51.8%。只有将两者结合，完整系统才能取得这组比较中的最佳表现。

这些结果为“在科学空间中推理”提供了计算层面的支持：中间结构可以成为设计过程的一部分，并影响最终产物。真实酶活性、选择性和稳定性的提升，仍需进一步通过湿实验检验。

从设计一个分子到训练下一代科学AI

如果一次科学推理能够留下可检查的结构、假设和验证记录，这些经验能否帮助模型下一次想得更好？Scinetics在配套Perspective中提出ScienceRSI，即科学递归自我改进，尝试将单次任务的推理扩展为跨代模型的学习循环。

这条循环从模型与智能体产生候选科学Token链开始。模拟器、数据库、实验和领域专家负责筛选；有证据支持的轨迹进入训练集，失败记录也被保留，用于训练更强的下一代模型。新一代模型再产生新的候选与任务经验，继续推动循环。

△

科学任务为这一思路提供了具体的检验对象：结构是否冲突、模拟是否满足约束、实验能否重复。模型提出候选，外部证据决定哪些经验值得学习，并明确区分预测、模拟与实测。验证能力由此成为自我改进能够走多远的关键。

COS是这一长期方向的早期案例，而非Scinetics最终模型。团队希望将科学Token链扩展到更多科学模态，把序列、结构、图像和测量结果连接起来，让一项任务的输出能够成为下一项任务的可用经验。如需了解更多前沿科技动态，欢迎访问爱游戏 (AYXGAME)官方网站 - 体验全球最火的游戏娱乐。

更远的目标是科学超级智能（Scientific Super Intelligence，SSI）：让同一个固定模型，在专业科学任务上超过垂直模型，同时在广泛科学推理上超过同等规模的通用语言模型。Perspective提出1000亿至3000亿参数、10万亿至30万亿训练Token的探索窗口，这是面向未来的可检验假设。

从科学空间中的一步推理，到一条可验证的设计链，再到跨代积累经验的ScienceRSI，Scinetics希望回答的是：AI能否在不断接触科学对象、接受真实反馈的过程中，学会更有效地发现和创造？

GitHub：https://github.com/Scinetics-ai/chain-of-structures

Hugging Face：https://huggingface.co/Scinetics-ai/chain-of-structures

在线Demo：https://enzymecot.bioclaw.tech/

Scinetics官网：https://scinetics.ai/

本文来自微信公众号“量子位”，作者：Scinetics团队，36氪经授权发布。