Wir untersuchen erneut die Wirksamkeit topologischer Deskriptoren für die Klassifikation molekularer Graphen und entwickeln eine einfache, dennoch leistungsstarke Baseline. Wir zeigen, dass ein einfacher Ansatz zur Merkmalsingenieurarbeit – die Histogrammaggregation von Kanten-Deskriptoren kombiniert mit One-Hot-Codierung für Atomzahlen und Bindungstypen – in Kombination mit einem Random Forest-Klassifikator eine starke Basis für Graph Neural Networks (GNNs) darstellt. Der neuartige Algorithmus Molecular Topological Profile (MOLTOP) integriert die Edge Betweenness Centrality, den Adjusted Rand Index und die SCAN-Strukturelle Ähnlichkeitsmessung. Dieser Ansatz erweist sich als bemerkenswert konkurrenzfähig gegenüber modernen GNNs, gleichzeitig ist er einfach, schnell, varianzarm und hyperparameterfrei. Unsere Methode wird rigoros an den MoleculeNet-Datensätzen evaluiert, wobei ein fairen Evaluationsprotokoll des Open Graph Benchmark verwendet wird. Zudem zeigen wir Fähigkeiten zur Out-of-Domain-Generierung im Kontext der Peptid-Klassifikation aus dem Long Range Graph Benchmark. Die Bewertungen über elf Benchmark-Datensätze offenbaren die starke diskriminierende Leistungsfähigkeit von MOLTOP, die sogar die 1-WL- und in einigen Graphenklassen die 3-WL-Testgrenze übertreffen. Unser Fazit lautet: deskriptorbasierte Baselines, wie die von uns vorgeschlagene, bleiben weiterhin entscheidend für die präzise Beurteilung von Fortschritten im GNN-Bereich.