本研究提出了一种新策略，将规则基础模型与可微分神经网络结合，显著提升了19个分子属性预测任务的性能。通过同时训练图变换器神经网络，利用稀疏的多任务实验目标和基于XGBoost模型的合成目标，实现了有效的合成任务增强，无需特征注入或预训练。

本研究探讨了变换器模型在分子属性预测中的局限性，特别是预训练数据集的规模和多样性对模型表现的影响。通过在少量相关分子上进行领域适应性再训练，显著提高了模型在ADME评估指标上的预测性能。

本研究提出了FragmentNet模型，解决了分子属性预测中的化学有效性和可扩展性问题。该模型通过自适应学习分解分子图，保持结构连通性，实验结果表明其在多任务中优于同规模模型。

本文研究通过与多个辅助任务联合训练来提升预训练图神经网络在分子属性预测中的表现。实验表明，该方法使性能提升了7.7%，证明结合辅助任务可以有效增强模型性能。

本文提出了一种基于图神经网络的表示学习方法，通过预训练将原子坐标和原子间距编码，并与原子表示融合。在多个分子属性预测任务中获得了最先进的结果，同时在三维构象生成任务中也取得了显着的改进。

本文提出了一种基于图神经网络的表示学习方法，通过编码原子坐标和原子间距，并与原子表示融合，取得了在多个分子属性预测任务中的最先进结果。该方法在11个任务中平均改进了8.3％，同时在两个三维构象生成任务中也取得了显着的改进。

GLaD是一种新方法，通过整合分子图像和语言描述符进行光伏转换效率（PCE）预测，利用大规模语言模型（LLM）从科学文献中预训练来丰富分子结构表示，实现了对PCE的精确预测，并促进了合成新型有机光伏分子的过程。GLaD还展示了多功能性，适用于一系列分子属性预测任务，在低数据环境中通过融入从大规模预训练中学习的分子属性描述来丰富分子表示，对药物和材料发现等科学探索具有重要意义。

本文提出了一种基于图神经网络的表示学习方法，用于原子坐标和原子间距编码，并与原子表示融合。在11个下游分子属性预测任务中，该方法在10项任务中都获得了最先进的结果，2D任务平均改进了8.3％，同时在2个三维构象生成任务中也取得了显着的改进。