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。

研究发现AI工具预测蛋白质结构准确性下降，提出蛋白质结构嵌入对齐优化框架（SAO）解决三维图结构学习问题，实验证明该框架适用于各种模型，改进了结构和性质预测。