MoleculeNet 是一个大规模分子机器学习基准测试，为多种先前提出的分子特征化和学习算法提供高质量的开源实现，并证明了可学习的表示是分子机器学习的强大工具，但其性能受到数据稀缺和高度不平衡分类的影响，物理感知特征化的使用对于量子力学和生物物理数据集更为重要。

Mar, 2017

介绍了基于量子力学的分子表示层次结构，使用多体展开式控制目标相似性，并使用高阶贡献提高预测准确性和速度的 BAML 模型在数千种小有机分子的性质计算中表现出了前所未有的预测准确性和速度。

Aug, 2016

该研究提出了一种基于对接的基准模型，用于评估设计药物分子的生成模型性能的局限性，并提出了一种基于简化评分函数的基准模型，以期望实现自动生成有前途的候选药物的目标。

Jun, 2020

机器学习在药物发现中预测小分子性质方面具有很大潜力。本文提供了对近年来为此目的引入的各种机器学习方法的综合概述，并对结合亲合力、溶解度和 ADMET（吸收、分布、代谢、排泄和毒性）等多个性质预测和优化技术进行了讨论。我们还评估了模型预测方面的技术，特别是在药物发现中关键决策方面提供模型预测理解的技术。总的来说，这篇综述为药物发现中小分子性质预测的机器学习模型提供了深入了解。尽管有多种多样的方法，但它们的性能通常相当。神经网络虽然更加灵活，但并不总是优于更简单的模型。这表明高质量的训练数据对于训练准确的模型仍然至关重要，并且需要标准化的基准、额外的性能指标和最佳实践，以便更好地比较不同技术和模型之间的差异。

Aug, 2023

本研究对比了随机森林、MolBERT 和 GROVER 三种基于 Extended-Connectivity Fingerprint、SMILES 字符串和分子图的分子表示学习模型，评估了其在 MoleculeNet 数据集和类阿片类物质数据集预测方面的效果，并探讨了数据集分布、活性悬崖、模型评价、任务设定和化学空间泛化等方面对模型效果的影响，旨在为提高该领域人工智能技术贡献可能的思路。

Sep, 2022

在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

Apr, 2019

本研究将来自不同来源和模态的知识图谱结合到序列或 SMILES 表示中，进一步丰富表示，取得了基准数据集上最新的成果。我们提供基于此数据的预训练模型，并公开了在 TDC 基准测试中性能表现的结果。同时，我们还公开了基准数据集上模型训练的源码，以鼓励知识增强表征学习的研究。

Jun, 2023

DOCKSTRING 是一款用于机器学习和药物开发的 Python 软件包，可以实现分子对接计算和降低对领域知识的需求。其包含了一个全面的数据集，方便实验多目标优化和迁移学习。基于分子对接评估结果可以帮助更好的设计药物候选物。

Oct, 2021

本研究为分子生成模型提出了一个新的具有生物学启发的评估基准，重点关注配体 - 靶标相互作用，提出了一系列有关蛋白质配体亲和预测、分子对接等与药物发现过程直接相关的指标，并采用多模态方法结合各个指标进行评估，结果表明该单元模式可能导致关于靶标与分子相互作用的错误结论，从而创建了一个高度有效的工具来评估分子生成输出，为药物发现过程的丰富提供了可能性。

Aug, 2022

本研究基于结构的配体发现，利用深度神经网络和三维卷积技术实现，通过对配体 - 受体复合物进行建模，准确地估算它们间的结合亲和力，多项测试表明本方法优于经典评分函数。

Dec, 2017