本文探讨将角度特征直接纳入分子属性预测的实际价值，通过对 e3nn 与 QM9 数据集进行消融研究，发现旋转等变层相对于增加网络深度来说更为参数有效。在保持网络深度和参数数量稳定的情况下，加入角度特征可以平均降低测试误差 23%，特别是在偶极矩方面表现得更好。
Aug, 2020
该研究介绍了ATOM3D的程序，该程序为生物分子的三维计算方法提供了统一的工具包，其中包含多个基准数据集以及多个三维分子学习任务的实现，结果表明多数分子问题都可从三维分子学习中获益，并提供全面套件的工具进行数据集处理、模型培训和评估。
Dec, 2020
这项工作提出了神经等变分子间势(NequIP),一种用于学习分子动力学模拟的从自由计算中学习分子间势的E(3)等变神经网络方法。NequIP通过几何张量相互作用利用E(3)-等变卷积，此方法在数据效率方面具有非凡的性能，使得准确利用高损耗的量子化学理论构建准确潜力成为可能，并使得长时间尺度上的高保障分子动力学模拟成为可能。
Jan, 2021
应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。
Jun, 2021
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。
本研究提出一个命名为3DLinker的条件生成模型，以生成用于连接具有独立功能的两个分子的链接物，该模型可以预测锚点，以及联合生成链接器图形和它们的3D结构，具有较高的恢复分子图形的率和准确地预测所有原子的3D坐标的表现。
May, 2022
本文提出的 Equiformer 是一种图神经网络，利用变换器架构的优势，并结合基于不可约表示（irreps）的 SE(3)/E(3) 等变特征，取得了在 QM9、MD17 和 OC20 数据集上与之前模型相当的好的性能。
Jun, 2022
本文提出一种新的三维分子预训练方法，该方法采用等变能量基模型作为主干网络，以预测节点力信息为目标进行节点级预训练损失计算，并采用高斯分布以保证其E（3）不变性，同时通过图层级噪声缩放预测任务来进一步提高模型性能，实验结果表明，该方法在两个挑战性的三维基准测试上均取得了比当前最先进的预训练方法更佳的表现。
Jul, 2022
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
该论文提出一种通用的分子相互作用模型，通过将三维分子表示为几何图形集的方法，使得能够捕获稀疏块级和密集原子级交互，通过进行广泛的实验证实了该方法对不同领域和不同任务进行可转移的学习具有潜力。
Jun, 2023