本文探究定量构效关系学习作为元学习的一个案例研究，研究了机器学习方法和算法选择对于药物开发的重要性，发现元学习方法比单个机器学习方法（例如随机森林）在药物开发中性能更好。

Sep, 2017

该论文提出了一个名为 Uni-QSAR 的深度学习自动机器学习工具，结合了分子表示学习和预训练模型，利用大规模无标签数据得到丰富的表示，优于 SOTA 并在药物发现领域具有实际用途。

Apr, 2023

提出了针对最先进的机器学习模型，包括深度神经网络和梯度提升机的计算有效的 CP 算法，可在一些数据分布的弱前提下生成有效预测间隔，为 QSAR 建模提供了新的工具。

Apr, 2023

提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。

Oct, 2019

研究表明，基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一，并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明，即使不要求最优的立体结构输入，利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。

Jul, 2018

采用深度神经网络可以同时预测量子态的多个特性，并可通过局部测量来推断多体量子系统的全局特性，用于识别对称保护拓扑态和发现不同相之间的未知边界。

Oct, 2023

研究表明，采用大规模多任务神经网络框架可显著提高医药研发预测准确性，总体数据量和任务增加均使多任务网络预测能力提高，并且数据共享和算法创新对于加速药物研发十分必要。

Feb, 2015

模型利用异质性药效数据的信息协同，成功应对了试剂异质性，极大地提高了不同蛋白质靶点和试剂类型的亲和力预测，从而在早期药物发现中实现了大规模虚拟筛选。

Aug, 2023

利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

Aug, 2016

通过创建含有 429 种分子的最大的 CMC 数据库和含有 164 种分子的第一个大型表面过剩浓度 ($\Gamma$$_{m}$) 数据集，我们发展了 GNN 模型来预测 CMC 和 $\Gamma$$_{m}$，通过尝试单任务和多任务学习，并采用集成学习和迁移学习等不同的训练策略，发现多任务 GNN 与集成学习在所有 $\Gamma$$_{m}$ 和 CMC 数据上训练得到的模型效果最好，最后，我们测试了 CMC 模型在工业级纯组分表面活性剂上的泛化能力，发现 GNN 对 CMC 有高度准确的预测，具有未来工业应用的巨大潜力。

Jan, 2024