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。

我们提出了一种新模型nach0，能够处理多种化学和生物学任务，如生物医学问答和分子生成。nach0是一个多任务编码器-解码器，经过无标签文献预训练，并通过指令调整进行微调。实验结果显示，其在各类任务上优于现有基准，能够生成高质量的分子和文本。

本研究提出了分子隐式神经生成模型（MING），通过联合去噪的功能表示和扩散过程，解决了传统方法的不足，实现了高效准确的分子建模。实验表明，MING在分子生成上表现优异，速度更快，架构更简洁。

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。

在北京智源大会「AI for Science」分论坛上，清华大学智能产业研究院副研究员周浩介绍了面向科学发现的生成式人工智能的研究内容和成果，包括分子生成和蛋白质设计方面的丰富经验和多个模型的开发。他们的研究在分子生成和蛋白质设计领域具有重要意义。

本文介绍了LLM4GraphGen模型，探索了大型语言模型在图生成方面的能力，发现GPT-4在图生成任务中展现了初步能力，同时发现提示方法对性能的提升不一致。LLM展现了生成具有特定属性的分子的潜力，为基于LLMs的图生成模型的设计提供了基础。

本文介绍了一种基于扩散语言模型的文本导向分子生成方法(TGM-DLM)，该方法克服了自回归方法的局限性，通过两阶段的扩散生成过程更新SMILES字符串中的标记嵌入。实验证明，TGM-DLM模型在生成具有特定属性的连贯准确分子方面优于自回归模型MolT5-Base，无需额外数据资源，为药物发现和相关科学领域开辟新途径。

该研究结合了Transformer和VAE模型，用于处理多样化的分子。该模型在生成分子方面表现出与现有模型相当的性能，并且在生成未见结构的分子方面表现出卓越的性能。研究通过VAE的潜在表示成功预测了分子性质。消融研究表明VAE在生成新型分子方面具有优势，分子可以用较小的维度变量进行描述。该研究有望提供一个包含各种化合物的虚拟化学库，以进行虚拟筛选和高效筛选。