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。

本文探讨了图神经网络（GNN）和自我监督学习在分子表征学习中的进展，提出了GROVER、Equiformer、Moleformer和AMCT等新框架和模型，这些模型在分子性质预测任务中表现出显著的性能提升。研究强调了预训练和几何感知编码的重要性，推动了分子建模领域的发展。

本文提出了一种双向分子基础模型，结合化学语言和物理化学特征，提升了分子性质预测的准确性。研究表明，该模型在生物降解性和PFAS毒性估计等任务中优于现有方法，且多模态深度学习有效克服了传统单模态学习的局限，为药物研发提供了重要指导。

本文提出了一种针对图数据集的预训练策略和自监督方法，以提高图神经网络（GNN）在分子性质预测和蛋白质功能预测中的表现。研究表明，这些方法在多个蛋白质相关任务中取得了最先进的性能，显著提升了泛化能力和鲁棒性。

本文介绍了几种基于几何感知的分子表示学习方法，如Galformer和Moleformer等新型Transformer架构，强调了它们在分子性质预测中的优越性能。这些模型通过结合2D和3D信息，显著提升了分子建模的准确性和泛化能力，展示了在不同任务中的应用潜力。

分子性质预测在药物发现中至关重要。最近，多模态深度学习方法如InstructMol和MoleBLEND显著提升了模型的准确性和可靠性。这些方法结合了分子结构与自然语言，在药物相关任务中表现优越，为药物发现助手的开发奠定了基础。

该文综述了蛋白质与分子建模的多项AI研究：Prot2Text融合图神经网络与大语言模型，结合序列、结构和文本预测蛋白质功能；xTrimoPGLM以千亿参数统一蛋白质理解与生成；SYN-FUSION结合图神经网络与Transformer预测分子性质；此外还涉及蛋白质二级结构预测、可溶性预测及可解释性研究。

该文综述分子表示学习进展，涵盖化学反应约束嵌入、MolCAP图预训练、MolCLR对比学习、GEM几何增强、MARCEL同构体基准、语言模型编码化学知识、MolTC多模态框架、MOCA自监督及MolBert等方法，旨在提升分子性质预测与反应预测性能。

本文综述了PAGTN、KPGT、AMCT、MAT、CoMPT、Moleformer和SYN-FUSION等分子表示学习模型，这些模型结合图神经网络与Transformer，采用自监督预训练和几何感知编码，在量子化学、物理化学及生物化学数据集上表现优异，推动了分子性质预测的发展。

本文综述了图神经网络在分子性质预测中的进展。MGCN利用多级图表示提升泛化与可迁移性；多任务学习可改善小数据集性能；自动搜索的MPNNs优于手工设计的GNN；GCNN能高精度预测聚合物介电常数与能带隙；异构分子图神经网络在QM9多数任务上领先；MXMNet基于双层多重图预测理化性质；深度学习方法结合图与序列表示并优化损失函数，在抗生素发现等任务中持续改进并取得领先成绩。

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。