Wir betrachten die Repräsentationslernung von 3D-molekularen Graphen, bei denen jedes Atom einer räumlichen Position im dreidimensionalen Raum zugeordnet ist. Dies ist ein bisher wenig erforschtes Forschungsfeld, und es fehlt derzeit an einem konsistenten Nachrichtenübertragungs-Framework. In dieser Arbeit führen wir Analysen im sphärischen Koordinatensystem (SCS) durch, um die vollständige Identifikation von 3D-Graphstrukturen zu ermöglichen. Aufbauend auf diesen Beobachtungen schlagen wir das sphärische Nachrichtenübertragungsverfahren (Spherical Message Passing, SMP) als ein neuartiges und leistungsstarkes Verfahren für die 3D-molekulare Lernung vor. SMP reduziert die Trainingskomplexität erheblich und ermöglicht eine effiziente Anwendung auf großskalige Moleküle. Zudem ist SMP in der Lage, nahezu alle Molekülstrukturen zu unterscheiden, und die bisher nicht erkannten Fälle sind möglicherweise in der Praxis gar nicht realisierbar. Auf der Grundlage sinnvoller, physikalisch fundierter Repräsentationen räumlicher Informationen entwickeln wir zudem das SphereNet für die 3D-molekulare Lernung. Experimentelle Ergebnisse zeigen, dass die Nutzung bedeutungsvoller 3D-Informationen in SphereNet zu signifikanten Leistungsverbesserungen bei Vorhersageaufgaben führt. Unsere Ergebnisse belegen zudem die Vorteile von SphereNet hinsichtlich Leistungsfähigkeit, Effizienz und Skalierbarkeit. Der Quellcode ist öffentlich im Rahmen der DIG-Bibliothek verfügbar (https://github.com/divelab/DIG).