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。

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。