本研究提出了多限制分子采样（MIMOSA）和QMO等方法，结合图神经网络和机器学习优化分子属性，显著提升了性能。DrugAssist通过人机对话和大型语言模型在分子优化中表现出色，展现了可迁移性和迭代优化潜力。TAGMol框架在药物生成方面也表现优越，提升了分子特性预测效果。

本文介绍了一种基于图的分子生成方法，结合变分自编码器和图消息传递网络，显著提升了药物发现中的分子优化效果。研究表明，该方法在多个任务中优于现有基准，尤其在生成高质量分子图方面表现突出。

本文介绍了一种新的无监督分子表示方法N-gram graph，结合短途径图的顶点嵌入，提升了分子性质预测的准确性。同时，研究提出了基于图像的分子优化技术和生成模型，显著提高了药物发现的效率和可控性。通过多种分子图表示法，探索了模型学习与解释的影响，推动了药物开发的进展。