本文介绍了一种新的无监督分子表示方法 N-gram graph，通过组合短途径图中的顶点嵌入来构建分子的紧凑表示，从而有效地预测分子性质并证明其在预测中的优势。

Jun, 2018

综述了机器学习和图学习在分子设计和药物发现中的应用，提出将这些方法分成三类，并总结了常用的评估指标和公共数据集。最后，从药品视角探讨了未来研究的挑战和方向。

Feb, 2022

本文综述了生物医药行业中越来越受关注的图机器学习对于模拟生物分子结构、它们之间的功能关系以及综合多组学数据的能力，并在药物研发和发现的全过程中，从靶点识别、小分子和生物类药物设计、以及药物重药用等方面进行了归纳总结，并指出，尽管这一领域仍在崛起，但关键的里程碑已经出现，表明图机器学习将成为生物医学机器学习的首选模型框架。

Dec, 2020

文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

Mar, 2019

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

本文概述了图表示学习的关键概念与相关领域，并指出了图表示学习在交通预测、社交网络分析、推荐系统、药物研发等应用领域中的重要性，以及与图表示学习相关的机器学习应用领域。

Jan, 2023

本文回顾了图表示学习在生物医学领域的最新进展、关键挑战和未来的研究方向。

Jun, 2023

该研究评估了在应用于帕金森病和对照样本的高通量生物数据的病例对照分类中，基于样本相似性网络和分子相互作用网络的多个图表示学习模型，包括蛋白质 - 蛋白质和代谢物 - 代谢物相互作用。通过系统应用于转录组学和代谢组学数据的比较分析，突出了各种架构在提取组学数据模式方面的优点和局限性，为生物医学研究中更准确、可解释的模型铺平了道路。

Jun, 2024

该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用，强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性，并给出了该领域未来的发展前景。

Jul, 2021

本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

Nov, 2022