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。

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。