本研究提出了一种知识驱动的对比异构分子图学习框架（KCHML），克服了传统分子表示学习的局限性。KCHML通过对比学习和双重消息传递机制，增强了分子表示，提升了属性预测能力，表现优异。

本文提出了一种基于分子图像的新型分子表示方法，并展示了其在分子属性预测中的潜力。开发的分子几何深度学习（Mol-GDL）模型在14个基准数据集上表现优于现有方法。此外，研究还探讨了聚合物太阳能电池的功率转换效率，利用机器学习优化模型，取得了良好预测结果。整体上，研究强调了多模态深度学习在分子性质预测中的应用及其优势。

本文综述大语言模型在化学与生物分子领域的应用进展，涵盖ChemLLM、InstructChem、ChemBERTa-2、Mol-Instructions、MolReGPT、InstructMol、BioInstruct等模型与数据集，涉及分子表示、反应预测、指令微调及多模态对齐，并探讨知识整合与可解释性等未来方向。

该文综述几何深度学习进展，涵盖等变图神经网络、流形训练框架、点云与网格学习、图同构测试及分子表示，强调物理对称性、表达能力与三维几何建模，并在分类、分割、性质预测等任务取得先进性能。