Scinetics提出科学Token链与COS酶设计方法
AI 总结
Scinetics团队（来自MIT、哈佛大学、剑桥大学、香港科技大学等机构，张载熙为通讯作者）提出“科学Token链”（Chain of Science Tokens）思路，把序列、结构、图像、组学和测量数据表示为可读写的科学信息单元，与语言共同参与推理；并在Chain of Structures（COS）中把酶设计拆成四轮：确定催化核心、完善活性位点、构建全局骨架、补全序列与侧链。在酶设计基准对比中，COS六项指标五项第一：三级酶分类一致率EC3为57.0%，高于CodeFP的55.3%，pLDDT达79.3，TM-score为0.729；消融实验显示去掉推理链后EC3降至53.4%，保留推理链但去掉连续接口则降至51.8%。团队还发布配套Perspective，提出ScienceRSI（科学递归自我改进）与科学超级智能（SSI）设想，并给出1000亿至3000亿参数、10万亿至30万亿训练Token的探索窗口；代码、权重与在线Demo已公开，但真实酶活性、选择性与稳定性仍需湿实验检验。
深度见解
它尝试把推理链从文字扩展到分子结构等科学对象，并用可被后续计算和实验检验的结构状态连接推理与生成，为科学AI的自我改进循环提供了一个可检验的早期样例。