Die präzise Vorhersage molekularer Eigenschaften ist entscheidend für die Entwicklung neuer Verbindungen und stellt einen zentralen Schritt im Arzneimittelentdeckungsprozess dar. In diesem Beitrag wird molekularer Graphen-Datenmaterial zur Eigenschaftsvorhersage mithilfe von Graphen-Konvolutionsneuralen Netzen genutzt. Zudem wird eine Konvolutionsraum-Graph-Embedding-Schicht (C-SGEL) vorgestellt, die die räumlichen Verbindungsstrukturen in Molekülen bewahrt. Mehrere C-SGEL-Schichten werden gestapelt, um ein Konvolutionsraum-Graph-Embedding-Netzwerk (C-SGEN) für die end-to-end-Repräsentationslernung zu konstruieren. Um die Robustheit des Netzwerks zu erhöhen, werden molekulare Fingerprints zudem mit dem C-SGEN kombiniert, um ein hybrides Modell zur Vorhersage molekularer Eigenschaften zu entwickeln. Unsere vergleichenden Experimente zeigen, dass unsere Methode präzise ist und auf mehreren offenen Benchmark-Datensätzen die besten Ergebnisse erzielt.