本文基于统一的 2D 和 3D 预训练，提出了一种新的基于图神经网络的表示学习方法，将原子坐标和原子间距编码，并通过图神经网络将其与原子表示融合。在 11 个下游分子属性预测任务中进行评估，其在 10 项任务中都获得了最先进的结果，2D 任务平均改进了 8.3％，同时在 2 个三维构象生成任务中也取得了显着的改进。

Jul, 2022

通过提取三维特征和使用对比学习的方法，我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法，用于准确表示空间结构，并在 7 个基准测试中展示了出色的性能。

Sep, 2023

本文提出了 Transformer-M 模型，可以对 2D 和 3D 分子结构信息进行编码和语义表示，通过合适的监督信号训练获得对不同数据格式的知识，从而能够广泛应用于不同的任务。

Oct, 2022

基于几何深度学习和图神经网络的 PAMNet 是一个通用框架，通过引入物理信息偏置来模拟三维分子的局部和非局部相互作用，具有高效且准确的学习分子表示能力，在小分子性质、RNA 3D 结构和蛋白质 - 配体结合亲和性等学习任务中表现优异，适用于广泛的分子科学应用。

Nov, 2023

通过 3DToMolo 这一多模式引导生成 / 优化任务的文本结构对齐对称扩散框架，我们提出了一种创新方法来解决分子设计问题，取得了优于现有方法的结果表现，并能够生成包含指定目标亚结构的新型分子。

Mar, 2024

该论文通过提出一种基于消息传递神经网络的深度学习框架，实现从分子结构图计算分子的 3D 几何结构。实验结果表明，该方法比 RDKit 和其他深度学习方法更准确地预测了分子的 3D 几何结构，并在性质预测任务中表现出良好的性能，同时提供了一个基准数据集，可用于 3D 分子几何结构分析。

May, 2023

MoleculeNet 是一个大规模分子机器学习基准测试，为多种先前提出的分子特征化和学习算法提供高质量的开源实现，并证明了可学习的表示是分子机器学习的强大工具，但其性能受到数据稀缺和高度不平衡分类的影响，物理感知特征化的使用对于量子力学和生物物理数据集更为重要。

Mar, 2017

应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。

Jun, 2021

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

该论文提出了通过对晶体单位单元中的原子位置进行编码和解码的方法来生成 3D 分子模型的连续压缩潜空间表示，该过程中使用了 Encoder-Decoder 对和另一个网络来对输出进行分割和分配原子。

Sep, 2019