تنبؤ الخصائص الجزيئية له أهمية كبيرة في تصميم الأدوية القائمة على الذكاء الاصطناعي نظرًا لفعاليته التجريبية العالية مقارنة بالتجارب البيولوجية. وبما أن الشبكات العصبية الرسومية قد حققت نجاحًا كبيرًا في مجالات عديدة، فقد طبّقت بعض الدراسات الشبكات العصبية الرسومية على تنبؤ خصائص الجزيئات، واعتبرت كل جزيء كرسم بياني. حيث تُعتبر الذرات في الجزيء عقدة في الرسم البياني، بينما تُعتبر الروابط بينها حوافًا في الرسم البياني. ومع ذلك، فإن معظم الطرق الحالية تطبق الشبكات العصبية الرسومية العامة دون أخذ المعرفة الخاصة بالحقل بعين الاعتبار. وبما أن المعلومات الكيميائية مرتبطة بشكل وثيق بوظائف الجزيئات، فإنها تمثل عنصرًا حاسمًا في تحقيق تنبؤ دقيق بالخصائص. لذلك، نستفيد من المعلومات الكيميائية لتعلم تمثيل الجزيئات من خلال دمج بصمات الجزيئات، أي وجود أو غياب هياكل كيميائية معينة. وقمنا بمقارنة الطريقة المقترحة مع عدة طرق قوية كمرجع، وتبين أن الطريقة المقترحة تتفوق بشكل ملحوظ على الطرق الأخرى. حتى الآن، تُعد طريقة الاقتراح الأولى في قائمة التصنيف الخاصة بمنصة Open Graph Benchmark (OGB) بالنسبة للبيانات ogbg-molhiv.