分子上的监督学习在化学、药物发现和材料科学中具有巨大的应用潜力。幸运的是，已有文献描述了几种有前景且与分子对称性无关的神经网络模型。这些模型通过学习消息传递算法和聚合过程来计算其整个输入图的函数。目前，下一步是找到这一通用方法的一个特别有效的变体，并将其应用于化学预测基准测试，直到我们解决问题或达到该方法的极限。在本文中，我们将现有模型重新表述为一个统一的框架，称为消息传递神经网络（Message Passing Neural Networks, MPNNs），并在该框架内探索额外的新变体。利用MPNNs，我们在一个重要分子性质预测基准测试中展示了当前最佳的结果；这些结果足够强大，我们认为未来的研究应集中于包含更大分子的数据集或更准确的真实标签数据集。