该研究提出了多种分子预训练算法，如DMP、MM-Deacon和MolXPT，结合图表示和SMILES序列，提升了分子性质预测和药物发现的性能。MolBind框架通过对比学习实现多模态语义对齐，展现了优越的零样本学习能力。3D-MolT5和MolFusion进一步增强了分子编码效果，推动了药物设计的进展。

本文综述分子表示学习与多模态大模型进展，涵盖CMRL因果模型、MolCA跨模态建模、MolCAP反应预训练、3D-MoLM三维分子理解、InstructMol指令对齐、MolReGPT检索提示及GIT-Mol任意类型到语言翻译等方法，在分子任务上显著提升性能。

该文综述分子预训练与性质预测研究。MolIG融合分子图与图像自监督以提升预测性能；图与文本对齐可提高分类AUROC；所开发深度学习工具及损失函数能应对不平衡数据，在抗生素发现和AI Cures挑战中领先；图卷积网络优于传统指纹方法；多任务学习改善小数据集表现；SMILES与图多模态融合改进注意力与消息传递；2D图预训练可生成隐含3D信息；MGCN分层图卷积具备泛化迁移能力；多种图表示结合提升可解释性；GEM几何增强自监督优于基线。