本研究提出了一种基于流的图生成模型MoFlow，它具有准确和可追踪的似然训练、高效的一次嵌入和生成、化学有效性保证、对训练数据的100%重构以及较好的泛化能力，而且该模型在分子图生成、性质优化和受约束性质优化等四项任务中均表现最新的性能。

Jun, 2020

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

本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法，称为基于图案的图形自我监督学习（MGSSL）。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息，该框架可以在宽度优先或深度优先的方式下执行，并在不同的下游基准任务上进行了广泛实验，表明我们的方法优于所有最先进的基线。

Oct, 2021

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

本文通过使用公平评估框架，对局部度量描述符(Local Degree Profile)进行分析，并提出了基于局部中心性量度和局部顶点描述符扩展的新算法(Local Topological Profile)，其结果在大多数数据集上优于或接近于现代图分类模型Graph Isomorphism Network (GIN)。而且，研究了LDP特征提取和模型构建的计算方面，提出了可行的高效实现方案，并将其开源。

May, 2023

利用基于片段的对比学习方法，在分子图预测性质方面取得了良好表现并提高了长程生物标准的预测效果。

Oct, 2023

基于蒙版图建模的自监督表示学习在分子图领域具有出色的表现。本文从分子图的分词器、分图掩盖和图自编码器三个关键组件入手，总结了常见的分子分词器，通过对其作为重构目标的角色进行研究评估。然后，探索了引入表达力强的解码器对于自编码器表示学习的潜力。最后，提出了一种新颖的蒙版图建模方法SimSGT，并实验证明其优于现有的分子自监督学习方法。

Oct, 2023

本文提出了一种新的数据增强技术，通过修改分子图的拓扑结构生成具有与原始数据相同的分子连通性索引的增强数据，结合数据增强技术和分子连通性索引能够保留更多基于拓扑结构的分子性质信息并生成更可靠的数据，通过使用五个基准数据集测试表明，基于重要的分子拓扑特征生成的增强数据可以有效提高分子性质的预测准确度，这也为化学信息学研究中的数据增强提供了新的视角。

Jan, 2024

本研究解决了现有分子表示学习方法在注释不足和架构设计不佳方面的不足，提出了GNN-MolKAN及其增强变体GNN-MolKAN+，将Kolmogorov-Arnold网络(KAN)架构集成到GNN中，从而改善分子表示。实验结果表明，该方法在多个分类与回归数据集上表现出色，尤其在少样本学习场景中提升了约6.97%的性能，显著提高了GNN的预测能力和效率。

Aug, 2024

本研究聚焦于学习生物分子数据的可解释性拓扑特征，以解决传统特征工程不足的问题。我们提出了一种数据驱动的方法，通过与专家主导的物理特征模型比较，展示了基于拓扑特征的模型在预测合成迷你蛋白稳定性方面的有效性。研究结果表明，拓扑特征能提供专家特征未能捕捉的新信息，从而提升模型性能。

Aug, 2024