La capacité d'un réseau neuronal graphique (GNN) à exploiter à la fois la topologie du graphe et les étiquettes de graphe est fondamentale pour construire des plongements de nœuds et de graphes discriminants. En nous appuyant sur des travaux antérieurs, nous démontrons théoriquement que notre modèle edGNN pour les graphes dirigés étiquetés est aussi puissant que l'algorithme de Weisfeiler-Lehman pour l'isomorphisme de graphes. Nos expériences corroborent nos résultats théoriques, confirmant que les réseaux neuronaux graphiques peuvent être utilisés efficacement pour résoudre des problèmes d'inférence sur des graphes dirigés avec des étiquettes de nœuds et d'arêtes. Le code source est disponible à l'adresse suivante : https://github.com/guillaumejaume/edGNN.