本文重点研究了药物发现方面的自动优化工具，并且提出了一种基于图像及其翻译方法的分子优化技术，利用其原子级编码和自回归图形解码器解决分子结构中的多个技术挑战。同时，我们的模型在多项任务中显著优于现有的基准模型。

Jun, 2019

本文提出了一种基于图形的 MoLeR 模型，支持框架作为初始生成过程的种子，能够在没有生成历史的条件下快速训练和采样，而且在定向分子优化任务上表现优异。

Mar, 2021

本文提出了一种新方法 MiCaM，通过基于数据驱动的算法迭代合并子图来挖掘出构建于连接感知的基序上的分子片段，然后构建一个构建于挖掘出的连接感知的基序上的连接感知生成器，实现了生成具有目标性质分子的目的。

Feb, 2023

本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法，称为基于图案的图形自我监督学习（MGSSL）。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息，该框架可以在宽度优先或深度优先的方式下执行，并在不同的下游基准任务上进行了广泛实验，表明我们的方法优于所有最先进的基线。

Oct, 2021

将递归神经网络与卷积网络以层次化方式结合，可以从 SMILES 字符串中提取自回归信息并保持信号和长程依赖关系，从而实现了在重构已知分子时非常高的有效性率达到 95%。同时，我们观察到测试集和重构分子之间的平均 Tanimoto 相似性为 0.6，这表明我们的方法在使用类似方法的先前工作中比较有效地将 SMILES 字符串与其学习表示之间进行映射。

Jan, 2024

本文提出了基于分解和重组的分子设计方法，通过分解分子并通过强化学习寻找理想的构建子以生成新的分子，以达到更好的分子质量以及合适的药物特性。

Dec, 2022

通过研究亚图结构和词汇设计对分布学习的影响，揭示了 Subcover 对于提高现有方法的性能和可扩展性的潜力，从而在分子机器学习方面为化学家提供了优秀的工具。

Apr, 2023

本文提出一种基于变分自编码的图结构模型，用于生成符合已有数据分布的化学分子结构，并通过实验数据分析表明该模型在分子生成任务上表现较好，同时使用合适的隐空间设计允许生成具备特定性质的分子。

May, 2018

本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器，并发展了一个梯度优化算法用于优化其生成分子的能力，实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。

Feb, 2018

通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

May, 2024