Scinetics 提出 Chain of Structures：用四轮结构链做酶设计，六项指标五项第一

Scinetics团队 投稿 量子位 | 公众号QbitAI 模型的思维链，让AI学会了用文字一步步推理； 但科学家的思考，还发生在分子的三维空间、基因序列和实验曲线里。 不妨设想，如果AI也能直接用这些科学对象思考，它会走向怎样的能力边界？ Scinetics 给出的方向是 Chain of Science Tokens——科学Token链。 把序列、结构、图像、组学和测量数据表示成模型能够读写的科学信息单元，再让它们与语言共同构成推理过程。 文字提出目标，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链希望实现的推理方式：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。 △ 文字与结构交替参与推理的概念示意。 用一条结构链回答酶应该长什么样 △ Chain of Structures技术报告标题与作者团队 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，把科学Token链落实为四轮逐步成形的蛋白质结构。

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把这项任务拆成四轮。 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 ：把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经形成的约束。 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，把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。 △ 四轮结构设计把反应需求逐步转化为完整蛋白质。 六项指标五项领先 在本次酶设计基准对比中，COS取得新的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 。 △ 主结果节选。 “SOTA”限于报告所比较的方法与统一评测设置； 完整六项指标见COS表3。 EC3为功能预测分类匹配，pLDDT为预测置信度，TM为结构自洽性，MMD衡量序列分布差异。 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，尝试把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。 △ ScienceRSI研究设想：生成候选、外部验证、训练下一代模型。 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。 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/ 一键三连 「点赞」「转发」「小心心」 欢迎在评论区留下你的想法！

— 完 — 【学术投稿】请在工作日发送邮件至： ai@qbitai.com ，标题注明【投稿】，并告诉我们： 你是谁 ， 从哪来 ， 投稿内容 附上 项目/主页链接 ，以及 联系方式 。 🎓 我们会 (尽量) 及时回复你 :) 🌟 点亮星标 🌟 科技前沿进展每日见