Die Fähigkeit eines Graph Neural Networks (GNN), sowohl die Graphentopologie als auch die Graphenlabels zu nutzen, ist grundlegend für die Erstellung diskriminativer Knoten- und Grapheneinbettungen. Aufbauend auf früheren Arbeiten zeigen wir theoretisch, dass unser Modell für gerichtete beschriftete Graphen, edGNN, genauso leistungsfähig ist wie der Weisfeiler-Lehman-Algorithmus für Graphisomorphie. Unsere Experimente bestätigen unsere theoretischen Ergebnisse und belegen, dass Graph Neural Networks effektiv für Inferenzprobleme auf gerichteten Graphen mit Knoten- und Kantenlabels eingesetzt werden können. Der Quellcode ist unter https://github.com/guillaumejaume/edGNN verfügbar.