- HIGHT: 图语对齐的层次图切分
利用分层图标记的新策略（HIGHT）在分子图中增强了大型语言模型（LLMs）的图 - 语言对齐性和生成输出的准确性。
- AAAI基于图传播的无分类器分子性质定向策略
本研究旨在通过无监督学习直接注入条件信息，提出一种无分类器指导的 DiGress （FreeGress）模型，用于加速新药和材料开发过程中的候选筛选，实验证明该模型在目标性质预测任务上比 DiGress 模型在 QM9 和 ZINC-250 - NMR 上的多层次多模态对齐：分子鉴定和峰归属
本文介绍了使用多级多模态对齐与知识引导的实例判别（K-M3AID）在核磁共振（NMR）光谱中建立分子结构与谱图之间的有意义对应关系，通过图层对齐模块、节点对齐模块和通信通道，实现了跨模态对齐的高准确性，证明了在节点对齐中获得的技能对图层对齐 - 分子图的长程神经原子学习
通过将原子隐式转化为少数个神经原子，我们提出了一种方法来处理当前图神经网络在捕捉长程相互作用方面的不足，从而帮助改进分子性质的确定。通过在神经原子之间交换信息并将其映射回原子表示，神经原子能够在远程节点之间建立通信通道，从而有效地减小了任意 - 基于片段的分子图预训练与微调
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。
- 节点对齐的图生成器用于合成反应预测
单步逆向合成是有机化学和药物设计中的关键任务，计算辅助合成规划的出现使得使用机器学习技术促进该过程的兴趣日益增长。我们提出的 NAG2G 方法，也是一种基于 Transformer 的无模板模型，但利用了二维分子图和三维构象信息，同时简化了 - ICML用多模态对比学习从自然语言中提取分子性质
将自然语言和图形表示相结合，通过对齐神经图形表示和特性文本描述的表示，提高了下游分子属性分类任务的性能，实现了与仅以图形方式进行预训练的模型相比的 + 4.26% AUROC 的增益，并相对于最近提出的分子图 / 文本对比训练的 MoMu - GraphCL-DTA: 分子语义的图对比学习用于药物靶标结合亲和力预测
该研究提出了一种基于分子语义的图对比学习方法 GraphCL-DTA，用于药物靶标结合亲和力的预测，通过该方法可以学习到更加准确和有效的药物表示，并优化药物和靶标的表征质量。该方法在实际数据集 KIBA 和 Davis 上表现良好，明显优于 - 分子几何深度学习
本文提出了一种新颖的、基于分子图像而非化学键的分子表示方法，并称其可以实现相似或更好的分子属性预测结果，表明其拥有超越共价键分子图像的潜力。同时，基于上述发现，本文提出了分子几何深度学习（Mol-GDL）模型，并在 14 个常用基准数据集上 - 简单流形消息传递用于化学性质预测
该论文提出了一种基于 Simplicial Message Passing 框架来处理分子结构的方法，其中包括用于量子化学性质预测的深度学习体系结构，并比传统的 MPNN 表现更好。
- IJCAIMolHF: 分层归一化流应用于分子图生成
本研究提出了一种新的层次流模型（MolHF），用于精准设计具有所需特性的大分子结构，该模型通过多尺度架构构建键和每个尺度的粗糙图结构，在难以应用常规模型的情况下实现了非常好的数据分布建模。
- VAE 是否擅长重构分子图？
研究了多个当代分子生成模型在同等条件下的表现，发现它们的重构准确度令人惊讶地低，并且对于图分子的重构存在后验坍塌现象，但这并不直接导致更好的样本采样或优化性能。
- 基于离散图结构的分布式条件扩散用于分子图生成
本文提出了一种基于条件扩散的离散图结构（CDGS）的分子图生成方法，通过随机微分方程（SDE）实现正向图扩散过程并得出离散图结构作为逆向生成过程的条件，利用普通微分方程（ODE）求解器进行高效的图采样，在各种数据集上验证了该框架的有效性，特 - 3DLinker: 一种 E (3) 等变可变自编码器用于分子连接器设计
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。
- Autobahn: 基于自同构的图神经网络
本文介绍了自同构基于的图神经网络（Autobahn），其将图分解为子图并应用局部卷积处理，使每个子图的自同构群等变。我们验证了我们的方法并将其应用于分子图，其结果与现有算法竞争有力。
- ICLR基于能量模型的分子图生成
本研究发现大多数现有的分子图生成方法在保证排列不变性方面存在困难，可能导致在生成模型中存在意外偏差。通过提出的 GraphEBM，我们可以使用基于能量的模型生成分子图，通过能函数的参数确定在排列不变性上，使 GraphEBM 较好地满足了这 - ICML分层互信息传递用于分子图学习
使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。
- 分子图生成的图残差流
本文提出了一种名为图残流的强大可逆分子图形生成流方法，所得到的生成模型具有可比拟的生成性能和较少的可训练参数。
- ICMLGNN-FiLM: 具有特征线性调制的图神经网络
该论文提出了一种基于特征线性调制（FiLM）的新型图神经网络（GNN）类型，该网络在分子图的回归任务上的表现优于基准方法并在其他任务上表现出竞争力。
- ICML应用强化学习解码分子图嵌入
通过强化学习解码潜在嵌入中的分子图的图与图变分自编码器 RL-VAE, 基于简单的图生成器实现了对分子图的高效解码和生成。