分子性质预测在药物发现和化学研究中起着至关重要的作用，它有助于高效筛选和优化候选化合物。传统的定量结构-活性关系模型以及早期的机器学习方法往往依赖于手工设计的分子描述符，这限制了它们的通用性和预测性能。最新的研究进展表明，大型语言模型在处理文本形式的分子数据方面的强大表示能力，结合基于注意力机制的图神经网络在关系学习方面的优势，为捕捉分子的语义和结构信息提供了新的思路。在本研究中，我们提出了一种全新的双注意力多模态框架，用于图结构和序列形式的表示，即DAM-GS。我们在多种涵盖不同分子预测任务的基准数据集上测试了该算法，实验结果表明，在大多数数据集划分情况下，DAM-GS的性能均优于其他对比的基于图的方法。通过利用基于图和基于语言的建模方法的互补优势，我们的框架为分子性质预测提供了有前景的解决方案，其在药物发现和计算分子科学领域有着广泛的应用。
