Molekulare „Fingerabdrücke“ (molecular fingerprints), die strukturelle Informationen kodieren, sind das Rückgrat der Chemoinformatik und des maschinellen Lernens in Anwendungen zur Arzneimittelforschung. Diese Darstellungen betonen jedoch notwendigerweise bestimmte Aspekte der molekularen Struktur, während sie andere vernachlässigen, anstatt dem Modell die Möglichkeit zu geben, datengetriebene Entscheidungen zu treffen. Wir beschreiben molekulare „Graphkonvolutionen“ (graph convolutions), eine maschinelles Lernverfahren zur Analyse ungerichteter Graphen, insbesondere kleiner Moleküle. Graphkonvolutionen verwenden eine einfache Kodierung des molekularen Graphen – Atome, Bindungen, Abstände usw. – was dem Modell ermöglicht, besser von den Informationen in der Graphstruktur zu profitieren. Obwohl Graphkonvolutionen nicht alle fingerabdruckbasierten Methoden übertreffen, stellen sie (neben anderen graphbasierten Methoden) ein neues Paradigma im ligandenbasierten virtuellen Screening dar und bieten spannende Möglichkeiten für zukünftige Verbesserungen.