Les réseaux neuronaux sur graphes (GNNs) ont été appliqués avec succès dans de nombreux domaines de données structurées, allant de la prédiction des propriétés moléculaires à l'analyse des réseaux sociaux. Motivés par la large applicabilité des GNNs, nous proposons la famille dite RankGNNs, une combinaison de méthodes de neural Learning to Rank (LtR) et de GNNs. Les RankGNNs sont entraînés à partir d'un ensemble de préférences par paires entre les graphes, suggérant qu'un d'eux est préféré à l'autre. Une application pratique de ce problème est le criblage des médicaments, où un expert souhaite identifier les molécules les plus prometteuses dans une grande collection de candidats médicamenteux. Nous démontrons empiriquement que notre approche RankGNN par paires soit surpasse significativement, soit au moins égale les performances de classement de l'approche naïve par points, dans laquelle le problème LtR est résolu par régression de graphes basée sur les GNNs.