分子性质预测的研究中，我们提出了 SYN-FUSION，这是一种结合了来自图神经网络和 Transformer 的预训练特征的新方法，它提供了综合的分子表示，捕捉了全局分子结构和各个原子特征，实验证明其在 MoleculeNet 基准数据集上的卓越性能，优于以前的模型，在 5 个分类数据集和 6 个回归数据集中有优势，并且与其他 Graph-Transformer 模型相比，我们的方法在性能方面与其不相上下，进一步的分析验证了 SYN-FUSION 的有效性，消融实验无疑表明 SYN-FUSION 的协同效应超过了其各个模型组成部分和其集成模型，在预测分子性质方面有实质性的改进。

Aug, 2023

本文通过探索基于高通量组合筛选的新的药物组合协同性预测方法，总结了 2021 年以来发表的三十多种原始机器学习方法，其中绝大多数基于深度学习技术。我们旨在通过突出核心技术、数据来源、输入数据类型、以及方法中使用的协同性评分、预测场景和评估协议，对这些论文进行统一的观察。我们发现，最好的方法能够准确解决已知药物或细胞系参与的协同性预测，然而当涉及到新的药物或细胞系时，准确预测的水平仍然有待提高。

Apr, 2024

通过图卷积网络与多重表征对齐，该研究提出了一种用于药物协同效应预测的模型，利用深度学习技术的计算模型，将多种药物的表征和对应的细胞系特征作为输入，通过考虑药物表征和细胞系表征之间的位置关系，实现了在嵌入空间中的药物协同效应预测，从而提高了计算结果的准确性和模型的收敛速度。

Nov, 2023

本文提出一种新的轨迹表示联合学习的多模态融合模型 DouFu，它使用多模态学习和注意力融合模块来捕捉轨迹的内部特征，通过设计运动、路线和全局特征并分别使用注意力编码器或前馈网络，结合路线特征和运动特征创建更好的时空嵌入，最终生成每个轨迹的全面嵌入。实验结果表明，DouFu 在大多数学习算法中优于其他模型超过 10%。

May, 2022

预测协同药物组合有助于加快癌症治疗的发现，特别是通过活体检测的细胞对患者进行个体化治疗。本文提出了一种新的背景下药物协同学习的设置和模型，利用既有的 “个性化数据集” 来预测在该背景下的其他药物协同关系。该模型结合遗传算法优化模型提示并选择协同候选药物进行测试，最终探索了逆向药物设计的新任务，有潜力设计与特定患者的 “个性化数据集” 相契合的药物。本研究对精准肿瘤医学可能产生重要影响，同时也引发了关于非文本预训练语言模型的有趣问题。

Jun, 2023

本篇论文提出了一种基于深度图学习的开放式管道：生成对抗特征子空间增强（GAFSE），该方法能够将药物发现的各个阶段统一到一个学习框架中，并通过对分类 / 回归损失、对抗 / 生成损失和重建损失进行多目标优化实现药物发现的高效性和产出性的增强。

Dec, 2022

本文提出了一种新的方法，使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征，同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。

Sep, 2017

该研究提出了一种神经网络架构，利用多药副作用类型和药物分子结构，采用共同注意机制，对药物组合进行机器学习，以便预测药物之间的相互作用和潜在的副作用。

May, 2019

本文提出了一种新颖的动态图卷积神经网络，采用时空关注融合的方法，全面地模拟了长距离和多尺度的时空模式，取得了 22 种基线模型之外的最先进表现。

Feb, 2023

本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型，旨在通过提高分类效果，提前预测药物副作用，从而减少药物住院和提高新药研发效率。

Nov, 2022