使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

May, 2020

本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。

Sep, 2020

该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。

Feb, 2022

通过引入分子超图和分子超图神经网络（MHNN），本研究针对化学有关任务中传统图模型无法足够表示高阶连接（如多中心键和共轭结构）的问题，提出了一种可以预测有机半导体的光电性质的 MHNN 算法，其中超边表示共轭结构。结果表明，MHNN 在 OPV、OCELOTv1 和 PCQM4Mv2 数据集的大多数任务中优于所有基准模型。值得注意的是，MHNN 在没有任何三维几何信息的情况下，超过了利用原子位置的基准模型。此外，在训练数据有限的情况下，MHNN 表现出更好的性能比预训练 GNNs，彰显其出色的数据效率。本研究为更一般的分子表示和高阶连接相关的属性预测任务提供了新的策略。

Dec, 2023

通过神经架构搜索，我们设计了一个自动化的消息传递神经网络（MPNNs）用于预测小分子的分子性质。 将自动化发现的 MPNNs 与手动设计的 GNNs 进行比较，表明后者在分子性质预测上表现更优。

Aug, 2020

本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

Jun, 2021

在这篇论文中，我们提出了一种基于图结构学习的分子性质预测方法，称为 GSL-MPP。我们使用图神经网络（GNN）提取分子表示，构建分子相似性图并进行图结构学习，最终获得能够结合分子间关系的分子嵌入。实验结果表明，我们的方法在大多数情况下都达到了最先进的性能水平，尤其在分类任务上表现出色。

Dec, 2023

本研究提出了可推广和可转移的分层图卷积神经网络（MGCN）以预测分子性质。研究中将每个分子表示为图以保留其内部结构，并且通过多级交互从构象和空间信息直接提取特征，从而可以利用多级总体表示来进行预测。实验结果显示 MGCN 具有显著的泛化能力和可转移性。

Jun, 2019

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

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