تنبؤ الخصائص الفيزيوكيميائية من الهياكل الجزيئية يُعد مهمة أساسية في التصميم الجزيئي المدعوم بالذكاء الاصطناعي. وقد تم اقتراح عدد متزايد من الشبكات العصبية الرسومية (GNNs) لمعالجة هذا التحدي. تحسّن هذه النماذج قدرتها التعبيرية من خلال دمج معلومات مساعدة في الجزيئات، لكنها في الوقت نفسه تزيد من تعقيد الحسابات بشكل لا مفر منه. في هذا العمل، نهدف إلى تصميم شبكة عصبية رسومية (GNN) تكون قوية وفعّالة في معالجة هياكل الجزيئات. لتحقيق هذا الهدف، نقترح نهجًا مدعومًا بالآليات الجزيئية، حيث نُمثّل كل جزيء كرسم بياني متعدد الطبقات مكوّن من طبقتين: الطبقة الأولى تحتوي على اتصالات محلية فقط، والتي تُركّز على التقاط التفاعلات التساهمية، بينما تحتوي الطبقة الثانية على اتصالات عالمية تسمح بمحاكاة التفاعلات غير التساهمية. ثم، نُقترح وحدة تمرير رسائل مخصصة لكل طبقة، بهدف تحقيق توازن بين القوة التعبيرية وتعقيد الحسابات. استنادًا إلى هاتين الوحدتين، نُنشئ شبكة عصبية رسومية جزيئية متعددة الطبقات (MXMNet). عند اختبارها باستخدام مجموعة بيانات QM9 للجزيئات الصغيرة، ومجموعة بيانات PDBBind للمركبات البروتينية-المركب الكبيرة، حققت MXMNet أداءً متفوّقًا على النماذج الرائدة الحالية، حتى تحت ظروف موارد محدودة.