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。

本研究提出了多模态大型语言模型MatterChat，旨在解决无机材料性质理解与预测的挑战。该模型结合材料结构数据与文本信息，显著提升了材料性质预测性能，超越了通用模型如GPT-4，展现了在科学推理和材料合成中的潜在价值。

本研究介绍了Gryffin框架，利用机器学习加速分子和材料的发现。通过小波散射变换和特征选择，提高了材料性质预测的准确性，并探讨了机器学习在表面相图预测和晶体材料建模中的应用，展示了其在材料科学中的潜力和效率。

该文章介绍了将深度学习与密度泛函理论相结合的新材料设计方法，通过神经网络预测材料的电子结构和性质。研究人员构建了一个包含104种固体材料的大型数据库，并成功开发了一个通用材料模型。该模型通过训练和微调能够准确预测材料的能带结构和其他性质。这种深度学习方法为创新材料发现提供了新机遇，但仍面临一些挑战。

上海交通大学研究团队在蛋白质突变-性质预测方面取得突破，提出FSFP方法，仅需20个湿实验数据即可显著提高预测准确性。该方法结合元学习和排序学习，解决了传统实验耗时长的问题，对蛋白质工程具有重要意义。

本文探讨了大型语言模型（LLMs）在化学领域的应用与挑战，分析了如何将分子信息整合到LLMs中，并讨论了其在化学任务中的多样化应用。研究指出，LLMs在化学性质预测中表现优异，但仍需改进安全性和实用性。ChemLLM作为专门的化学语言模型，能够高效完成多种化学任务，推动科学发现。

本文综述了图神经网络在晶体材料性质预测中的应用，涵盖CGNN、CGCNN、多视图神经网络、生成对抗网络、MolNet、SE(3)等变网络、DeepCrysTet、MEGNet及Orbital CrystalNet等模型，这些模型可在DFT级别预测物性、生成新晶体结构并提升材料设计效率。

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。