L’apprendimento del ripiegamento delle proteine si generalizza a forme più ampie di ragionamento?

Abstract degli autori

I grandi modelli linguistici si basano in larga misura su testi scritti da esseri umani, che spesso forniscono risposte superficiali anziché la logica spaziale e strutturale che le sottende. Il ripiegamento delle proteine è un banco di prova naturale: da una sola struttura risolta si possono ricavare migliaia di affermazioni spaziali e topologiche verificabili con esattezza. Ci chiediamo se imparare a ripiegare le proteine possa insegnare ai modelli generalisti capacità di ragionamento riutilizzabili. Per rispondere, abbiamo creato FoldingCorpus, un dataset di domande e risposte ricavato dalle proteine, e Fold2Reason, una procedura di post-addestramento che usa due segnali complementari: risposte strutturali discrete predette tramite la testa linguistica nativa del modello e una geometria 3D continua decodificata dalle stesse rappresentazioni condivise. Su FoldBench, Fold2Reason ottiene nella predizione delle strutture punteggi pari a 2,7–3,5 volte quelli di Qwen3.5-9B. Oltre alla predizione della struttura delle proteine, migliora le prestazioni in tutti e 10 i benchmark, che coprono il ragionamento spaziale, sui grafi, scientifico e generale: l’accuratezza media complessiva sale dal 45,09% al 48,33% (+3,23 punti percentuali), con miglioramenti in tutti e 10 i benchmark. Le condizioni di controllo comparabili, basate su strutture casuali, sintetiche e rimescolate, producono invece miglioramenti nettamente inferiori o risultati peggiori. Il nostro lavoro mostra che dati scientifici non linguistici, ricchi di informazioni strutturali, possono migliorare sistematicamente le capacità di ragionamento generali dei modelli linguistici, rendendo un problema scientifico risolto una fonte pratica di supervisione per il post-addestramento.