本研究提出了JTreeformer框架，旨在解决现有图变换器在分子图拓扑结构利用上的不足。该框架结合了图卷积网络和多头注意力机制，并引入了潜在空间中的扩散模型，显著提升了分子生成的效率和效果，为药物发现提供了新工具。

本研究提出了一种基于归一化流的贝叶斯优化方法（NF-BO），有效解决了现有方法中的价值差异问题。实验结果表明，该方法在分子生成任务中显著优于传统及近期的贝叶斯优化方法。

清华大学与中科院团队提出的UniGEM模型，通过两阶段生成过程，实现了分子生成与性质预测的协同增强，显著提升了性能，推动了分子生成领域的发展。

本研究填补了分子生成领域的调研空白，全面综述了扩散模型的分类与应用，并提出新的分类法，以促进理解与应用的提升。

本研究提出了一种新颖的高阶指导扩散（HOG-Diff）模型，旨在解决图生成中的复杂非欧几里德结构问题。该模型通过高阶信息引导生成过程，理论上优于传统方法，实验结果表明其在分子和通用图生成任务中表现出色。

本研究提出PEIT框架，以解决分子生成任务中的标注数据不足和多属性约束问题。实验结果显示，PEIT在分子描述生成和多任务生成方面表现优异，验证了其广泛适用性。

本文提出了首个评估大语言模型在开放领域分子生成能力的基准——TOMG-Bench，涵盖分子编辑、优化和定制生成等任务，并提供自动评估系统。评测结果显示，25个模型在文本引导的分子发现方面存在局限性。

本研究提出了一种新框架OC-Flow，旨在解决基于ODE的生成模型在复杂几何下的应用不足。该方法通过最优控制实现系统理论分析，并在文本引导图像处理和条件分子生成等多个实验中显示出显著的性能提升。

本研究提出了一种基于功能表示的分子生成模型（MING），解决了传统方法的表达能力不足和架构复杂性问题。MING通过功能表示和扩散过程联合去噪，实现高效准确的分子分布建模，实验结果表明其在分子样本生成方面性能优越且速度更快。

本文介绍了多种生成模型，如M-flows、Moser Flow和Riemannian Flow Matching，强调它们在数据流形学习、降维、去噪和生成性能上的优势。这些模型通过改进训练算法和流匹配技术，在复杂数据集上表现出色，尤其在分子生成和细胞轨迹预测领域取得了显著进展。

本文介绍了检索增强生成（RAG）和大型语言模型（LLM）的研究进展，RAG利用外部知识库提供附加信息来提高LLM的生成质量。文章回顾了RA-LLM的研究成果，包括架构、训练策略和应用，并讨论了LLM的局限性和未来研究方向。RA-LLM在推荐、分子生成和软件工程等领域取得了显著成功。

本文介绍了一种基于图的分子生成方法，结合变分自编码器和图消息传递网络，显著提升了药物发现中的分子优化效果。研究表明，该方法在多个任务中优于现有基准，尤其在生成高质量分子图方面表现突出。

MolGAN是一种深度生成模型，通过直接生成分子图来优化化学结构，并结合强化学习以鼓励特定化学属性的分子生成。研究中提出了多种生成模型和基准平台MOSES，探讨了递归神经网络、自动编码器等技术在分子生成中的应用。近年来，基于对抗学习的ALMGIG模型和结合流模型与能量模型的方法显著提高了分子构象生成的性能。此外，MolGen模型通过多任务学习在多个分子生成任务中表现优越。

本文介绍了一种基于Transformer的分子生成模型微调方法，利用其优越的序列学习能力生成具有特定属性的化合物。与传统RNN模型相比，该方法在生成多种生物目标活性化合物方面表现优异，能够有效捕捉分子结构的长期依赖关系。此外，研究结合了VAE模型，成功预测分子性质，展示了在生成新型分子方面的优势。