我们重新审视了拓扑描述符在分子图分类任务中的有效性，并设计了一种简单但性能强大的基线方法。研究表明，通过采用边描述符的直方图聚合，结合原子序数和键类型的独热编码（one-hot encoding）进行特征工程，并与随机森林（Random Forest）分类器相结合，即可构建出一个在图神经网络（GNNs）领域具有强大竞争力的基线模型。我们提出的新型算法——分子拓扑特征（Molecular Topological Profile, MOLTOP），融合了边介数中心性（Edge Betweenness Centrality）、调整兰德指数（Adjusted Rand Index）以及SCAN结构相似性得分（SCAN Structural Similarity Score）。该方法在与现代GNN模型对比时表现出显著竞争力，同时具备结构简单、运行快速、方差低以及无需超参数调优等优点。我们在MoleculeNet数据集上，基于Open Graph Benchmark提供的公平评估协议，对所提方法进行了严格测试。此外，我们在长程图基准（Long Range Graph Benchmark）的肽类分类任务中，进一步验证了该方法在跨领域生成任务中的泛化能力。在十一项基准数据集上的综合评估表明，MOLTOP具有强大的图区分能力，其性能甚至超越了1-WL测试（1-Weisfeiler-Lehman test），在部分图类上也优于3-WL测试。我们的结论是：基于描述符的基线方法（如本文所提出的MOLTOP）在准确评估GNN领域进展方面依然至关重要。