ننظر إلى تعلم التمثيل للرسوم البيانية الجزيئية الثلاثية الأبعاد، حيث يُرافق كل ذرة بموضع فضائي في الفضاء ثلاثي الأبعاد. يُعد هذا المجال بحثًا غير مكتمل الاستكشاف، وتعتبر هناك حاليًا نقصًا في الإطار المنهجي لنقل الرسائل (message passing). في هذه الدراسة، نقوم بتحليلات ضمن نظام الإحداثيات الكروية (SCS) لتحديد كامل للهياكل البيانية ثلاثية الأبعاد. استنادًا إلى هذه الملاحظات، نقترح نموذج نقل الرسائل الكروية (SMP) كطريقة جديدة وقوية لتعلم الجزيئات ثلاثية الأبعاد. يقلل SMP بشكل كبير من تعقيد التدريب، مما يمكّنه من الأداء بكفاءة على الجزيئات ذات الحجم الكبير. علاوةً على ذلك، يمتلك SMP القدرة على التمييز بين معظم الهياكل الجزيئية، والحالات غير المميزة قد لا توجد فعليًا في الواقع. وباستناد إلى تمثيلات ذات معنى مبنية على أساس فيزيائي للمعلومات ثلاثية الأبعاد، نقترح نموذج SphereNet لتعلم الجزيئات ثلاثية الأبعاد. تُظهر النتائج التجريبية أن استخدام المعلومات ثلاثية الأبعاد ذات المعنى في SphereNet يؤدي إلى تحسينات كبيرة في أداء المهام التنبؤية. كما تُظهر نتائجنا المزايا التي يتمتع بها SphereNet من حيث القدرة، والكفاءة، والقابلية للتوسع. ويتوفر كودنا بشكل عام ضمن مكتبة DIG (https://github.com/divelab/DIG).