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

通过学习图模式(Motif)，对大型图数据库进行GNN预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练GNN，使其性能在多个基准数据集中平均提高了2.04%的ROC-AUC。

Dec, 2020

本文介绍了一种融合领域知识的自我监督分子表示学习模型，通过在对比学习框架下显式编码领域知识，将化学领域知识融合到分子图表示中，证明这种方法可以区分具有相似化学公式但不同功能的分子。在8个公共数据集上进行的实验表明，该模型具有显著的有效性，相对于强竞争对手平均有6％的绝对改进。消融实验和进一步的研究也证实了将化学领域知识纳入自我监督学习的最佳方法。

Mar, 2021

提出了一种使用 Transformer 结构的通信信息传递神经网络 (CoMPT), 以加强节点和边之间的消息交互，提高分子图的表示能力，在七个化学性质数据集和两个化学位移数据集上的实验证明了所提出模型的卓越性能。

Jul, 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

本研究提出一种名为FunQG的新型分子图粗化框架，基于图论概念称为商图，它使用分子的功能基团作为影响分子性质的重要构建块，可以简化分子图并低于成本用于培训图神经网络，超越了先前基线在各种数据集上，因此是解决分子表示学习问题的一种简单，具有成本效益和强大鲁棒性的方法。

Jul, 2022

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

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

我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

Jan, 2024

通过使用基础单元为基本图案生成解释的基于Motif的GNN解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

May, 2024