Les « empreintes digitales » moléculaires, qui codent des informations structurales, sont le cheval de bataille de la chimio-informatique et de l'apprentissage automatique dans les applications de découverte de médicaments. Cependant, ces représentations d'empreintes digitales mettent nécessairement l'accent sur certains aspects de la structure moléculaire tout en négligeant d'autres, plutôt que de permettre au modèle de prendre des décisions guidées par les données. Nous décrivons les « convolutions graphiques » moléculaires, une architecture d'apprentissage automatique conçue pour apprendre à partir de graphes non orientés, spécifiquement des petites molécules. Les convolutions graphiques utilisent un codage simple du graphe moléculaire --- atomes, liaisons, distances, etc. --- ce qui permet au modèle d'exploiter davantage les informations contenues dans la structure du graphe. Bien que les convolutions graphiques ne surpassent pas toutes les méthodes basées sur les empreintes digitales, elles (ainsi que d'autres méthodes basées sur les graphes) représentent un nouveau paradigme dans le dépistage virtuel basé sur les ligands, offrant des perspectives passionnantes pour des améliorations futures.