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。

本研究提出了一种新方法，通过物理空间映射金属衍射潜在空间特征，克服了现有微观结构描述的局限。该方法有效编码微观结构信息，识别异质性，为金属材料设计和属性预测提供了新基础。

本研究提出EvoLlama框架，结合结构和序列编码器，提升大语言模型对蛋白质的理解。EvoLlama在零样本设置中优于其他模型，并在蛋白质属性预测任务中表现出色。

本研究提出了一种聚类-归一化-激活（CNA）模块，有效解决了图神经网络的过平滑问题，显著提升了节点分类和属性预测的准确率，Cora和CiteSeer数据集上分别达到94.18%和95.75%。

本研究评估了多种上下文嵌入方法和预训练模型，以改善材料科学中的属性预测。结果显示，MatBERT模型在提取化合物名称和材料属性方面优于通用模型。研究指出，MatBERT的第三层嵌入结合上下文平均法是捕捉材料属性关系的最佳方法，强调了针对材料科学的训练重要性。

本文总结了分子预训练模型的最新进展，分析了分子描述符、编码器结构和预训练策略等关键方面。研究表明，结合大型语言模型（LLMs）与图神经网络（GNNs）能显著提升分子属性预测的准确性，尤其在零/少量数据情况下表现优异。通过多模态学习，模型在分子理解和预测任务中取得了显著成果。

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。

本文探讨了大型语言模型（LLMs）在分子分类和属性预测中的应用，特别是ChemBERTa-2模型。研究表明，LLMs与机器学习模型结合能显著提升预测精度，且在药物发现中展现良好前景。通过微调和自监督预训练，模型在化学任务上表现出色，需进一步研究以提高安全性和实用性。

研究人员通过引入GIT-Mol和GIT-Former，提出了一种创新的分子翻译策略，提高了分子字幕生成和属性预测的准确性，同时提高了分子生成的有效性。