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
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
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。
利用 MolecularGPT，基于大规模语言模型对分子指令进行微调，并通过零样本和少样本的上下文学习，在少样本分子预测任务中取得新的竞争性结果，显示出语境推理能力优势，超过传统的图神经网络方法和现有语言模型基线，为语言模型在少样本分子特性预测中的应用发展提供了潜力。
Jun, 2024
我们的研究介绍了一种 Hierarchical Prompted Molecular Representation Learning Framework (HiPM)，通过任务感知的提示，增强了分子表示中任务的差异表达，并利用标签之间的共享信息来缓解不同任务之间的负迁移。广泛的实验表明，HiPM 在各种多标签数据集上达到了最先进的性能，为多标签分子表示学习提供了新的视角。
May, 2024
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
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
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
本研究对 12 个代表性模型进行了基准测试，揭示了深度学习模型相比于传统模型无法在分子属性预测任务上取得更好表现的原因，并表明基于指纹输入的树模型具有更好的表现。
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