Nous abordons le problème de la classification de graphes en nous basant uniquement sur des informations structurelles. Inspirés par les techniques de traitement du langage naturel (NLP), notre modèle intègre séquentiellement des informations pour estimer les probabilités d'appartenance à une classe. De plus, nous expérimentons des techniques de régularisation variationnelle similaires à celles utilisées en NLP, permettant au modèle de prédire le prochain nœud dans la séquence au fur et à mesure qu'il la lit. Nous démontrons expérimentalement que notre modèle atteint des résultats de classification de pointe sur plusieurs jeux de données moléculaires standards. Enfin, nous effectuons une analyse qualitative et fournissons quelques pistes pour comprendre si la prédiction des nœuds aide le modèle à classifier les graphes de manière plus efficace.