本研究提出了FragmentNet，一种自适应图分段模型，用于分子图到序列的表示学习。该模型通过将分子图分解为有效片段并保持结构连通性，解决了现有方法在化学有效性和可扩展性方面的不足。实验结果表明，FragmentNet在多项任务中优于同规模模型，为分子设计和优化提供了有效工具。

该研究介绍了多种基于扩散模型的图生成方法，特别是在分子图生成方面的创新。通过结合图神经网络和条件扩散技术，模型在多个数据集上展现了优异的生成质量和效率，为分子生成和编辑任务提供了新的解决方案，具有广泛的应用潜力。

该论文提出了多种基于分子图和语言模型的深度生成模型，旨在优化分子和药物设计。研究结果表明，这些模型在化学性质预测和分子生成方面优于现有方法，展现出良好的性能和应用潜力。

L2XGNN是一种可解释的图神经网络框架，能够学习解释性亚图，从而提高预测的可解释性和准确性。研究还提出了基于图形的自我监督学习方法MGSSL，展示了其在分子图信息捕获方面的优势。此外，研究介绍了多目标筛选方法和GNN解释器TAGE，均在多个任务中表现优异。

该文介绍了在Autoregressive Diffusion Models中引入鉴别器指导的方法，使用最优鉴别器可以纠正预训练模型并从底层数据分布中精确采样。作者提出了一种顺序蒙特卡罗算法，可以在生成过程中迭代地考虑鉴别器的预测。作者在生成分子图的任务上进行了测试，展示了鉴别器如何提高生成性能，超过仅使用预先训练的模型。

本文介绍了基于蒙版图建模的自监督表示学习在分子图领域的表现，并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。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。

该研究提出了一种名为MGSSL的基于图形的自我监督学习方法，用于分子数据。他们使用自生成基元的预训练框架来捕获分子图中的信息，并在不同的下游基准任务上进行了广泛实验，表明该方法优于所有最先进的基线。

LSL-GFN是一种新型概率模型，使用温度作为输入，加速训练temperature-conditional GFlowNets，能够生成分子图等组合结构，在多个生物化学任务中表现更好。