本研究提出HCAF-DTA模型，利用跨注意力融合超图神经网络预测药物-靶标结合亲和力。该模型通过构建药物分子超图和加权图提取特征，并采用双向多头跨注意机制建模分子间相互作用，实验结果表明其预测性能显著优于现有技术。

本研究提出了一种新颖的提示超图神经网络（PHGNN），用于阿尔茨海默病（AD）诊断和轻度认知障碍（MCI）转归预测。该框架结合超图学习与提示学习，有效处理数据异质性和缺失问题，实验结果表明其性能优于现有方法。

本研究提出了一种创新的超图攻击方法（IE-Attack），通过向精英超边注入同质节点，提升了超图神经网络的攻击性能和隐蔽性，实验结果验证了其优越性。

本研究提出SHypX，一种超图神经网络的后处理解释器，旨在解决可解释性缺失的问题。SHypX通过优化采样的子超图提供局部和全局解释，实验结果表明其忠实度比基线提高了25个百分点。

本文探讨了元学习在药物开发中的应用，发现其性能优于传统机器学习方法。研究提出了一种基于SMILES字符串的超图神经网络模型，成功预测药物相互作用。此外，CardioGenAI框架用于识别降低hERG活性的药物，并优化FDA批准药物以减少心脏毒性。通过结合物理模型与深度学习，提出了个性化心脏数字孪生的混合建模框架，展示了其广泛适用性。

本研究提出了超图神经网络（HGNN）和分子超图神经网络（MHNN），结合高通量计算和机器学习，旨在高效处理复杂数据和预测材料性质。实验结果表明，这些方法在纳米颗粒分割和材料属性预测方面表现优异，推动了自动化材料设计的发展。