Die Vorhersage molekularer Eigenschaften ist aufgrund ihrer hohen experimentellen Effizienz im Vergleich zu biologischen Experimenten von großer Bedeutung für den Einsatz von KI im Arzneimitteldesign. Da Graphen-neuronale Netzwerke in vielen Bereichen große Erfolge erzielt haben, wenden einige Studien diese Netzwerke zur Vorhersage molekularer Eigenschaften an und betrachten jedes Molekül als einen Graphen. Dabei werden die Atome eines Moleküls als Knoten und die Bindungen als Kanten des Graphen interpretiert. Allerdings berücksichtigen die meisten bestehenden Methoden allgemeine graphenbasierte neuronale Netzwerke ohne Berücksichtigung fachspezifischer Kenntnisse. Da chemische Informationen eng mit molekularen Funktionen verknüpft sind, sind sie entscheidend für eine präzise Eigenschaftsvorhersage. Daher nutzen wir chemische Informationen, um molekulare Repräsentationen durch Integration von molekularen Fingerprints zu lernen, also der Anwesenheit oder Abwesenheit bestimmter chemischer Substrukturen. Wir vergleichen unsere vorgeschlagene Methode mit mehreren starken Baselines und zeigen, dass unsere Methode signifikant über den Stand der Technik hinausgeht. Bislang erreicht unsere Methode die erste Platzierung in der Open Graph Benchmark (OGB)-Rangliste für den Datensatz ogbg-molhiv.