Wir untersuchen die Effektivität von Molekülfingerabdrücken für die Vorhersage von Peptid-Eigenschaften und zeigen, dass domänenspezifische Merkmalsextraktion aus molekularen Graphen komplexere und rechenintensive Modelle wie GNNs (Graph Neural Networks), vortrainierte sequenzbasierte Transformer und multimodale Ensembles übertrumpfen kann, sogar ohne Hyperparameter-Optimierung. Zu diesem Zweck führen wir eine gründliche Auswertung auf 126 Datensätzen durch und erzielen dabei Stand-of-the-Art-Ergebnisse auf LRGB und fünf weiteren Benchmarks zur Vorhersage von Peptid-Funktionen. Wir demonstrieren, dass Modelle, die auf Zähldvarianten von ECFP (Extended-Connectivity Fingerprints), Topologischer Torsion und RDKit-Molekülfingerabdrücken basieren und LightGBM als Klassifikationskopf verwenden, bemerkenswert robust sind. Die starke Leistung der Molekülfingerabdrücke, die intrinsisch sehr kurzbereichige Merkmalskodierer sind, stellt die angenommene Bedeutung langreichweitiger Interaktionen in Peptiden in Frage. Unser Fazit lautet, dass die Verwendung von Molekülfingerabdrücken für größere Moleküle wie Peptide eine rechnerisch machbare, parameterarme und vielseitige Alternative zu anspruchsvollen Deep-Learning-Modellen sein kann.