本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN，该模型利用分子图神经网络学习分子表示，并构建元学习框架进行模型优化，在公共数据库上的实验结果表明，Meta-MGNN 优于其他多种先进的方法。

Feb, 2021

为了有效利用分子和性质之间的多对多关系，我们提出了一种基于图采样的元学习（GS-Meta）框架来解决少样本分子属性预测问题。在五个常用基准测试中，GS-Meta 方法在 ROC-AUC 上始终优于现有技术 5.71％-6.93％，并验证了每个提议模块的有效性。

Jun, 2023

通过引入一种新的分层适应机制（HiMPP），可以在生物医学应用中有效地解决少样本学习问题，提高分子属性预测的效果。

Oct, 2023

我们开发了一套深度学习方法和综合工具，针对分子属性预测和药物发现，跨越不同的计算模型、分子表示和损失函数。我们将分子表示为图和序列，并围绕这些表示所构建的深度模型进行学习。为了有效地从高度不平衡的数据集中学习，开发了优化精度 - 召回曲线下面积的先进损失函数。在在线和离线抗生素发现和分子属性预测任务中的结果表明，我们的方法相对于之前的方法实现了持续的改进，并在与 COVID-19 相关的 AI Cures Open Challenge 中以 ROC-AUC 和 PRC-AUC 方面均排名第一。

Dec, 2020

该论文提出了一种新颖的元学习 FSMPP 框架（KRGTS），其中包括对分子和属性之间的多对多关系进行建模的知识增强关系图模块，以及用于进行元知识学习和减少噪声引入的任务采样模块。经过大量实验证明，KRGTS 相比其他最先进的方法具有更强的优势。

May, 2024

本文将上下文学习的概念应用于无监督学习，以开发一种新的算法用于预测分子性质，并在小样本支持时超过了最近的元学习算法，在大样本支持时与最佳方法具有竞争力。

Oct, 2023

该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

Mar, 2018

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

将自然语言和图形表示相结合，通过对齐神经图形表示和特性文本描述的表示，提高了下游分子属性分类任务的性能，实现了与仅以图形方式进行预训练的模型相比的 + 4.26% AUROC 的增益，并相对于最近提出的分子图 / 文本对比训练的 MoMu 模型 (Su et al. 2022) 的 + 1.54% 增益。

Jul, 2023

本文介绍了 PEMP，即利用物理化学理论和研究揭示的化合物间关系来增强化学和生理特性预测模型的新方法，该方法包括多任务学习和迁移学习两种模型构建方法，并在公共基准 MoleculeNet 上表现出超越对应最先进模型的能力。

Oct, 2022