التعلم الإشرافي على الجزيئات يحمل إمكانات رائعة للمساهمة في الكيمياء واكتشاف الأدوية وعلوم المواد. ولحسن الحظ، تم وصف العديد من النماذج الواعدة والمرتبطة ارتباطًا وثيقًا من الشبكات العصبية التي تكون ثابتة تجاه تناظرات الجزيء في الأدبيات العلمية. تقوم هذه النماذج بتعلم خوارزمية نقل الرسائل وإجراء التجميع لحساب دالة لكل الرسم البياني المدخل. وفي هذا السياق، الخطوة التالية هي العثور على متغير فعال بشكل خاص لهذه الطريقة العامة وتطبيقه على مقاييس التنبؤ الكيميائي حتى نتمكن إما من حلها أو الوصول إلى حدود هذه الطريقة. في هذا البحث، نعيد صياغة النماذج الموجودة ضمن إطار عمل مشترك نطلق عليه شبكات عصبية لنقل الرسائل (MPNNs)، ونستكشف تباينات جديدة إضافية داخل هذا الإطار. باستخدام شبكات عصبية لنقل الرسائل (MPNNs)، نوضح نتائجًا رائدة في مقاييس التنبؤ بخصائص جزيئية مهمة؛ وهذه النتائج قوية بما يكفي لكي نعتقد أن العمل المستقبلي يجب أن يركز على مجموعات بيانات تحتوي على جزيئات أكبر أو تسميات حقيقية أكثر دقة.