L'apprentissage supervisé sur les molécules présente un potentiel incroyable pour être utile en chimie, dans la découverte de médicaments et en science des matériaux. Heureusement, plusieurs modèles prometteurs et étroitement liés de réseaux neuronaux invariants aux symétries moléculaires ont déjà été décrits dans la littérature. Ces modèles apprennent un algorithme de passage de messages et une procédure d'agrégation pour calculer une fonction de leur graphe d'entrée entier. À ce stade, l'étape suivante consiste à trouver une variante particulièrement efficace de cette approche générale et à l'appliquer aux bancs d'essai de prédiction chimique jusqu'à ce que nous les résolvions ou atteignions les limites de l'approche. Dans cet article, nous reformulons les modèles existants dans un cadre commun unique que nous appelons Réseaux Neuronaux à Passage de Messages (MPNNs) et explorons des variations supplémentaires et novatrices au sein de ce cadre. En utilisant les MPNNs, nous démontrons des résultats d'avant-garde sur un banc d'essai important de prédiction des propriétés moléculaires ; ces résultats sont suffisamment robustes pour que nous estimions que les travaux futurs devraient se concentrer sur des jeux de données comportant des molécules plus grandes ou des étiquettes de vérité terrain plus précises.