本研究提出了一种新的图结构编码框架——基于同态计数的图案结构编码（MoSE），有效解决了图变换器的编码问题。MoSE在多种架构中优于其他编码方法，并在分子性质预测中取得了显著成果。

本文介绍了一种创新的多模态语言模型，通过结合化学语言和物理化学特征来预测分子性质。该模型采用因果多阶段特征选择，优于现有模型如MOLFORMER和图形神经网络，特别是在生物降解性和PFAS毒性估计方面表现出色。此外，该方法还能减少特征空间维度，提高模型性能，为分子性质预测提供新方向。

本研究分析了等变模型在分子性质预测和动态仿真中的应用，特别是在张量积框架下的表现。结果表明，去除未使用的球面谐波后，模型性能和潜在空间结构得到改善。

本文提出了一种新的数据增强技术，通过修改分子图的拓扑结构生成具有相同分子连通性索引的增强数据。实验证明，基于重要的分子拓扑特征生成的增强数据可以提高分子性质的预测准确度，为化学信息学研究中的数据增强提供了新的视角。

MolIG是一种多模态分子预训练框架，通过图像和图结构的一致性和相关性执行自监督任务，融合了分子图和分子图像的优势。MolIG在分子性质预测等任务中表现出更好的性能。

该文介绍了一种新型的分子性质预测模型——Atom-Motif Contrastive Transformer (AMCT)，该模型考虑了原子级别和关键图案之间的相互作用，并构建了适用于分子属性的注意机制。实验证明，AMCT 模型性能优于现有方法。