SciReasoner: un modèle unifié protéines-molécules-cristaux

Un modèle de fondation qui traite une protéine, une molécule et un cristal avec le même vocabulaire de tokens, c'est le pari de SciReasoner, décrit dans un papier déposé sur Hugging Face sous le titre "Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning". L'idée technique tient en une phrase: discrétiser coordonnées, topologies et connectivités périodiques dans un vocabulaire structurel unifié, et laisser le modèle raisonner sur ces tokens comme sur du texte.

Les chiffres avancés par les auteurs sont concrets. Sur l'annotation Gene Ontology des composants cellulaires pour protéines à faible homologie ou orphelines, le F_max passerait de 0,42 à 0,55. En rétrosynthèse à une étape, la précision grimperait de 0,63 à 0,72, avec des traces qui explicitent les déconnexions au niveau des fragments et vérifient les précurseurs. Sur l'ensemble des 86 tâches évaluées, SciReasoner atteindrait l'état de l'art sur 67 d'entre elles. En science des matériaux, la version 8B améliore les MAE sur des benchmarks comme MP, SNUMAT, JARVIS, GNoME, Cantor-HEA, OQMD, QMOF et hMOF, avec des gains marqués sur les propriétés thermodynamiques et électroniques difficiles.

L'intérêt stratégique est là. Depuis deux ans, la course aux modèles de fondation scientifique s'est jouée en silos: un modèle pour les protéines, un pour les petites molécules, un pour les matériaux inorganiques. Si un vocabulaire commun tient la route sur les trois, l'économie du R&D assisté par IA change, parce que les équipes n'ont plus à maintenir trois piles distinctes pour couvrir un pipeline découverte-synthèse-caractérisation.

La mise en garde honnête est double. D'abord, les gains absolus restent modérés: passer de 0,42 à 0,55 en F_max sur des protéines orphelines, c'est un progrès réel mais loin d'un problème résolu. Ensuite, l'évaluation humaine à 98 % de préférence ou de parité porte sur la qualité des traces de raisonnement en double aveugle contre des LLM frontière, pas sur la validation expérimentale des prédictions. Ce que le papier ne donne pas, à ce stade, c'est le coût de calcul, la licence des poids, et le protocole précis anti-contamination sur les 86 benchmarks.

Ce qui vaut d'être surveillé, c'est moins le classement sur telle ou telle tâche que la question sous-jacente: est-ce qu'un modèle unifié qui raisonne nativement sur des structures peut devenir la brique par défaut pour les équipes chimie et matériaux qui n'ont pas les moyens d'entraîner leurs propres specialists?