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

该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。

Feb, 2022

本论文提出了一种利用几何增强分子表示学习的方法，称为 GEM，通过使用基于几何的 GNN 架构和几何级别的自监督学习策略，该方法可以用来进行化学表示学习，实验表明该方法可以显著优于各种现有基线方法。

Jun, 2021

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

本研究提出了图多视角自编码（Graph Multi-View Pre-training）框架，使用自监督学习（self-supervised learning）通过 2D 拓扑和 3D 几何视图之间的对应和一致性提高了对分子图表示的学习能力，并通过实验证明其有效性高于现有的图自监督学习方法。

Oct, 2021

MolIG 是一种多模态分子预训练框架，通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务，有效地将两种分子表示形式的优势融合在一起，这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息，并在分子拓展组和 ADMET 拓展组等基准组中，相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。

Nov, 2023

本文介绍了 MolCLR 框架：通过图神经网络的分子对比学习，基于大规模未标记的分子数据集学习不同 iable 的表征，提供预训练和微调来有效地预测分子性质，实验结果显示该框架在分类和回归任务上显着提高了性能。

Feb, 2021

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

本研究提出了可推广和可转移的分层图卷积神经网络（MGCN）以预测分子性质。研究中将每个分子表示为图以保留其内部结构，并且通过多级交互从构象和空间信息直接提取特征，从而可以利用多级总体表示来进行预测。实验结果显示 MGCN 具有显著的泛化能力和可转移性。

Jun, 2019

本研究使用基于深度图神经网络的方法，通过从二维分子图中直接学习，以及通过使用低成本构象集合，预测量子化学性质中的 HOMO-LUMO 能隙，并在 2021 KDD Cup 中表现出良好性能。

Jun, 2021