La prédiction des propriétés physicochimiques à partir des structures moléculaires constitue une tâche fondamentale dans le cadre de la conception moléculaire assistée par l’intelligence artificielle. Un nombre croissant de réseaux de neurones à graphes (Graph Neural Networks, GNNs) a été récemment proposé pour relever ce défi. Ces modèles renforcent leur capacité d’expression en intégrant des informations auxiliaires issues des molécules, mais cette amélioration s’accompagne inévitablement d’une complexité computationnelle accrue. Dans ce travail, nous visons à concevoir un GNN à la fois puissant et efficace pour les structures moléculaires. Pour atteindre cet objectif, nous proposons une approche pilotée par la mécanique moléculaire, en représentant chaque molécule comme un graphe multiplex à deux couches : une couche contenant uniquement des connexions locales, principalement dédiées à la capture des interactions covalentes, et une autre couche composée de connexions globales, capables de simuler les interactions non covalentes. Pour chaque couche, nous introduisons un module d’échange de messages spécifiquement conçu pour équilibrer le compromis entre puissance d’expression et complexité computationnelle. En combinant ces deux modules, nous développons le Modèle de Réseau de Neurones à Graphes Moléculaires Multiplex (MXMNet). Validé sur le jeu de données QM9 pour les petites molécules et sur le jeu de données PDBBind pour les complexes protéine-ligand volumineux, MXMNet atteint des performances supérieures aux modèles les plus avancés existants, même sous des contraintes de ressources limitées.