化合物物理化学/活性性质与结构之间定量关系（QSAR/QSPR）的模型学习是化学信息学研究中的重要问题，其本质是对网络上高维不规则数据的分析和学习。我们率先为化合物QSAR/QSPR建模研究提出了图信号处理框架理论，解决了现有方法不能有效区分具有相同图结构化合物的瓶颈问题，基于图上多维信号设计具有高辨识度的新型描述符，建立了有效稳健的参数化线性QSAR/QSPR模型。该项研究成果为化合物的预测和分类提供了一种基于人工智能的新方法，对图学习与化合物结构分析等领域的交叉研究具有重要的科学意义。相关成果论文“Graph Signal Processing Approach to QSAR/QSPR Model Learning of Compounds”已在IEEE TPAMI（Vol. 44, No. 4, pp. 1963-1973，IF 24.3）上正式发表，宋笑影副教授为论文第一作者，柴利教授为通讯作者。
