La recherche d'architectures de réseaux de graphes (Graph Neural Architecture Search) a suscité un intérêt croissant, du fait de la puissante capacité de raisonnement des réseaux de neurones de graphes (GNNs) dans de nombreuses tâches relationnelles. Toutefois, l'espace de recherche de graphes actuellement utilisé met trop l'accent sur l'apprentissage des caractéristiques des nœuds, au détriment de l'extraction d'informations relationnelles hiérarchiques. En outre, en raison de la diversité des mécanismes d'échange de messages, l'espace de recherche de graphes est bien plus vaste que celui des réseaux de neurones convolutifs (CNNs), ce qui entrave l'application directe des stratégies classiques de recherche pour explorer cet espace complexe. Nous proposons une méthode, nommée ARGNP (Automatic Relation-aware Graph Network Proliferation), pour une recherche efficace des GNNs basée sur un mécanisme d'échange de messages guidé par les relations. Plus précisément, nous concevons tout d'abord un nouvel espace de recherche de graphes à double orientation relationnelle, intégrant à la fois des opérations d'apprentissage des nœuds et des relations. Ces opérations permettent d'extraire des informations hiérarchiques sur les nœuds et les relations, tout en fournissant une guidance anisotrope pour l'échange de messages au sein du graphe. Ensuite, inspirés du processus de prolifération cellulaire, nous proposons un paradigme de recherche par prolifération de réseau, qui détermine progressivement les architectures de GNNs en effectuant de manière itérative des divisions et des différenciations de réseau. Les expériences menées sur six jeux de données pour quatre tâches d'apprentissage sur graphes démontrent que les GNNs générés par notre méthode surpassent les meilleurs GNNs actuellement disponibles, qu'ils soient conçus manuellement ou découverts par recherche. Le code source est disponible à l'adresse suivante : https://github.com/phython96/ARGNP.