Les réseaux de neurones à passage de messages (MPNN) apprennent des représentations de données structurées en graphes à partir d'informations fondamentales du graphe, telles que les caractéristiques des nœuds et la structure du graphe, et ont montré des améliorations remarquables dans les tâches de classification de nœuds. Toutefois, leur pouvoir d'expression est borné supérieurement par le test de Weisfeiler-Leman d'ordre un, et leur précision laisse encore de la place à amélioration. Ce travail étudie, à la fois théoriquement et empiriquement, comment améliorer l'expressivité et la généralisation des MPNN en exploitant pleinement les informations fondamentales du graphe. Il propose par la suite un nouveau modèle de réseau de neurones graphiques, appelé INGNN (Information-enhanced Graph Neural Network), qui intègre ces insights pour renforcer les performances en classification de nœuds. Des expériences étendues sur des jeux de données synthétiques et réels démontrent la supériorité de notre INGNN par rapport aux méthodes de pointe, avec un classement moyen de 1,78.