La prédiction des propriétés moléculaires revêt une importance capitale dans le design de médicaments assisté par l’intelligence artificielle, en raison de son efficacité expérimentale supérieure par rapport aux expériences biologiques. Étant donné que les réseaux de neurones graphes ont remporté un succès remarquable dans de nombreux domaines, certaines études ont appliqué ces réseaux à la prédiction des propriétés moléculaires en modélisant chaque molécule comme un graphe : les atomes sont considérés comme des nœuds, et les liaisons comme des arêtes. Toutefois, la plupart des méthodes existantes appliquent simplement des réseaux de neurones graphes généraux sans intégrer de connaissances spécifiques au domaine. Étant donné que les informations chimiques sont étroitement liées aux fonctions moléculaires, leur prise en compte est essentielle pour une prédiction précise des propriétés. Nous exploitons donc les informations chimiques afin d’apprendre des représentations moléculaires en intégrant des empreintes moléculaires, c’est-à-dire la présence ou l’absence de sous-structures chimiques spécifiques. Nous comparons notre méthode proposée à plusieurs baselines performantes, et celle-ci surpasse significativement les autres approches. À ce jour, notre méthode figure en tête du classement de l’Open Graph Benchmark (OGB) pour la tâche ogbg-molhiv.