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。

本文使用Transformer结构（BERT）学习分子表示，通过预训练和领域相关性提高了模型MolBert在基准数据集上的性能，具有良好的药物发现应用前景。