分子に対する教師あり学習は、化学、医薬品探索、材料科学において非常に有用な可能性を秘めています。幸いにも、分子の対称性に不変であるいくつかの有望で密接に関連したニューラルネットワークモデルがすでに文献で説明されています。これらのモデルは、メッセージ伝播アルゴリズムと集約手順を学習し、入力グラフ全体の関数を計算します。この段階では、次にすべきステップは、この一般的なアプローチの特に効果的なバリエーションを見つけて、化学予測ベンチマークに適用することです。我々がそれらを解決するか、アプローチの限界に達するまでです。本論文では、既存のモデルを単一の共通フレームワークであるメッセージ伝播ニューラルネットワーク（MPNNs）に再定式化し、このフレームワーク内の新たな変種を探求します。MPNNsを使用して、重要な分子特性予測ベンチマークで最先端の結果を示しています。これらの結果は十分に強力であり、今後の研究はより大きな分子やより正確な真値ラベルを持つデータセットに焦点を当てるべきだと考えています。