综合审视和数量分析基于各种基准的最新深度学习方法，我们发现融合分子信息不仅能提高分子属性预测回归和分类任务的准确性，还能通过同时利用 1 维和 2 维信息的 3 维信息大幅增强分子属性预测进展，在药物研发中具有重要指导意义。

Feb, 2024

利用分子描述符和表示学习相结合的方法，通过结合概率机器学习文献中的期望最大化算法，自动检测并纠正基于结构的预测不可靠的情况，从而显著提高了对二元混合物中活度系数的预测准确性，展示了在物理化学性质预测中的潜力。

Jun, 2024

使用 GNN-MoCE 架构，通过 Mixture of Collaborative Experts (MoCE) 作为预测器，在解决专家池同质性问题和专家组决策支配困境的同时增强了专家多样性，从而在 24 个 MPP 数据集上表现出比传统方法更卓越的性能，特别是在数据限制或极度不平衡的任务中。

Dec, 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

利用深度学习技术构建的新型机器学习模型，对多种输入数据进行分类任务，包括有机和无机化合物，并在 Matbench 和 Moleculenet 基准数据集上进行开发和测试，揭示了化合物的底层模式。该模型在分子和材料数据集上表现出很高的预测能力，并在 Tox21 数据集上实现了 96% 的平均准确率，比之前最好结果提高了 10%。

Sep, 2023

使用变压器模型进行分子属性预测的当前研究进行了分析，强调了尚未涵盖的领域，并提出进行标准化数据划分和稳健统计分析的挑战。

Apr, 2024

本文介绍了一种新颖的多模态语言模型方法，结合化学语言表征和物理化学特征，以预测分子性质。我们的方法使用因果多阶段特征选择方法，在 MOLFORMER 生成的分子嵌入向量空间中，将这些因果特征与物理化学特征相结合。我们的结果表明，与现有的化学语言模型 MOLFORMER 和图形神经网络相比，在预测生物降解性和 PFAS 毒性估计等复杂任务方面，我们的提出的方法表现更优秀。此外，我们证明了我们的特征选择方法可以在保持或提高模型性能的同时降低 Mordred 特征空间的维数。这一方法为未来的分子性质预测研究开辟了有 promising avenues。

Jun, 2023

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

在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

Apr, 2019

本文提出了一种名为 PAR 的算法，通过引入一个变量来转化传统的分子嵌入到目标属性敏感的子结构嵌入空间，然后设计一个适应性的关系图学习模块，可同时估计分子关系图和精细分子嵌入，最后采用元学习策略，其表现优于现有的方法。

Jul, 2021