Die Vorhersage makroskopischer Einflüsse von Arzneimitteln auf den menschlichen Körper, wie Wirkung und Toxizität, ist ein zentrales Problem der arzneimittelwissenschaftlichen Forschung basierend auf kleinen Molekülen. Moleküle können als ungerichteter Graph dargestellt werden, und es ist möglich, Graphenkonvolutionssnetze zur Vorhersage molekularer Eigenschaften zu nutzen. Allerdings konzentrieren sich Graphenkonvolutionsnetze und andere Graphenneuronalnetze hauptsächlich auf das Lernen von Knotendarstellungen anstatt auf Graphendarstellungen. Frühere Arbeiten haben einfach alle Merkmalsvektoren aller Knoten im Graph zusammengefasst, um den Graphenmerkmalsvektor für die Arzneimittelvorhersage zu erhalten. In dieser Arbeit führen wir einen Dummy-Superknoten ein, der durch eine gerichtete Kante mit allen Knoten des Graph verbunden ist, um diesen als Darstellung des Graphen zu verwenden. Wir modifizieren die Graphoperation, um dem Dummy-Superknoten das Lernen von Grapheneigenschaften zu ermöglichen. Dadurch können wir die Klassifikation und Regression auf Graphenebene genauso behandeln wie die Klassifikation und Regression auf Knotenebene. Zudem wenden wir den Fokalverlust an, um das Klassenungleichgewicht in Arzneimittel-Datensätzen zu adressieren. Die Experimente mit MoleculeNet zeigen, dass unsere Methode die Leistung der Vorhersage molekularer Eigenschaften effektiv verbessern kann.