麻省理工学院研究团队开发的FASTSOLV模型结合新数据库BigSolDB，显著提升了有机固体在不同溶剂中的溶解度预测精度与速度，推动了分子性质预测技术的发展。

本文介绍了一种新颖的多模态语言模型方法，结合化学语言和物理化学特征，以预测分子性质。该方法在生物降解性和PFAS毒性估计等任务中优于现有模型，并能降低特征空间维数。此外，研究提出了DrugAssist和MolTailor模型，展示了语言模型在分子优化中的潜力，推动药物发现的发展。

本研究探讨了等变模型在分子性质预测和动态仿真中的应用，发现去除未使用的球面谐波阶数可以提升模型性能，改善潜在空间结构。

本研究提出了一种数据驱动的双层优化方法，解决分子性质预测中标签稀缺的问题。通过自动获取最佳迁移比率，实现多任务迁移学习，提升了40种分子性质的预测性能，并加快训练速度，克服了手动设计的局限性。

本研究利用深度学习模型自动识别化学图像，提出新方法提高质谱数据结构鉴定，展示分子表示学习在药物发现中的潜力。通过聚类和相似性搜索算法，显著提高化学探索效率和分子性质预测的准确性。

该研究结合了Transformer和VAE模型，用于处理多样化的分子。该模型在生成分子方面表现出与现有模型相当的性能，并且在生成未见结构的分子方面表现出卓越的性能。研究通过VAE的潜在表示成功预测了分子性质。消融研究表明VAE在生成新型分子方面具有优势，分子可以用较小的维度变量进行描述。该研究有望提供一个包含各种化合物的虚拟化学库，以进行虚拟筛选和高效筛选。

研究提出了一种新方法SYN-FUSION，结合了图神经网络和Transformer的预训练特征，能够准确预测分子性质。实验证明其在MoleculeNet基准数据集上表现优秀，优于以前的模型。与其他Graph-Transformer模型相比，SYN-FUSION在性能方面不相上下。消融实验进一步验证了其有效性，对预测分子性质有实质性改进。

本文提出一种新的算法，应用上下文学习的概念于无监督学习，用于预测分子性质。该算法在小样本支持时表现优异，在大样本支持时与最佳方法具有竞争力。