تنبؤ التأثيرات الكبيرة للأدوية على جسم الإنسان، مثل الفعالية والسمية، هو مشكلة مركزية في اكتشاف الأدوية القائمة على الجزيئات الصغيرة. يمكن تمثيل الجزيئات كرسم بياني غير موجه، ويمكننا استخدام شبكات التجميع الرسومية لتنبؤ خصائص الجزيء. ومع ذلك، فإن شبكات التجميع الرسومية وغيرها من شبكات العصب الرسومية تركز جميعها على تعلم تمثيل مستوى العقد بدلاً من تمثيل مستوى الرسم البياني. في الأعمال السابقة، تم ببساطة جمع جميع المتجهات المميزة لجميع العقد في الرسم البياني للحصول على متجه الخصائص الرسومي لتنبؤ الدواء. في هذا البحث، نقدم عقدة فارغة فوقية متصلة بكافة العقد في الرسم البياني بواسطة حافة موجهة كتمثيل للرسم البياني ونعدل عملية الرسم البياني لمساعدة العقدة الفارغة فوقية على تعلم خصائص مستوى الرسم البياني. وهكذا، يمكننا التعامل مع تصنيف وتقدير مستوى الرسم البياني بنفس الطريقة التي نتعامل بها مع تصنيف وتقدير مستوى العقد. بالإضافة إلى ذلك، نطبق الخسارة المحورية (focal loss) لمعالجة عدم التوازن بين الفئات في مجموعات بيانات الأدوية. أظهرت التجارب على MoleculeNet أن طريقتنا يمكن أن تحسن بشكل فعال أداء تنبؤ خصائص الجزيء.