本文介绍由瑞士苏黎世联邦理工学院化学与应用生物科学系的Francesca Grisoni和Gisbert Schneider共同通讯发表在 Nature Machine Intelligence的研究成果：本文作者重点介绍了几何深度学习在药物发现、化学合成预测和量子化学等领域的应用，其包含几何深度学习的原理和相关的分子表征，例如分子图、网格、表面和字符串。作者讨论了分子科学中几何深度学习面临的挑战，并展望其未来应用。

论文链接：

https://www.nature.com/articles/s42256-021-00418-8

几何深度学习(Geometric deep learning, GDL)是人工智能的一个新兴概念，在分子科学领域（如药物发现、量子化学和结构生物学）得到了广泛应用。

GDL涵盖了将神经网络推广到欧几里得和非欧几里得域的新兴技术，诸如图、流形、网格和字符串表征。一般来说，GDL包括结合几何先验的方法，即关于输入信号的空间结构和对称属性的信息，比如分子结构的表示。几何先验信息用于提高模型性能，如预测精度。虽然GDL已被越来越多地应用于分子模型，但其潜力仍未充分挖掘。

本综述的目的是：

(1)对GDL在分子科学中的主要应用提供结构化和统一的综述；

(2)描述该领域的主要研究方向；

(3)对GDL的未来应用进行展望。