Nous présentons un réseau neuronal convolutif qui opère directement sur des graphes. Ces réseaux permettent l'apprentissage de bout en bout de pipelines de prédiction dont les entrées sont des graphes de taille et de forme quelconques. L'architecture que nous proposons généralise les méthodes standards d'extraction de caractéristiques moléculaires basées sur les empreintes digitales circulaires (circular fingerprints). Nous démontrons que ces caractéristiques issues des données sont plus interprétables et offrent de meilleures performances prédictives sur une variété de tâches.