薬物の人体に対するマクロスコピックな影響（効果や毒性など）を予測することは、小分子を基盤とする創薬における中心的な課題である。分子は無向グラフとして表現され、グラフ畳み込みネットワークを用いて分子特性を予測することができる。しかし、グラフ畳み込みネットワークやその他のグラフニューラルネットワークは、ノードレベルの表現学習に焦点を当てており、グラフレベルの表現学習には対応していない。従来の手法では、グラフ内のすべてのノードの特徴ベクトルを単純に合算して薬物予測用のグラフ特徴ベクトルを得ていた。本論文では、すべてのノードと有向辺で接続されたダミーのスーパーノードを導入し、このスーパーノードがグラフレベルの特徴を学習できるようにグラフ操作を修正した。これにより、ノードレベルの分類や回帰と同様に、グラフレベルでの分類や回帰も扱えるようになった。さらに、薬物データセットにおけるクラス不均衡問題に対処するためにフォーカルロスを適用した。MoleculeNet上の実験結果から、当手法が分子特性予測の性能向上に効果的に寄与することが示された。注：「フォーカルロス」（focal loss）は一般的な日本語訳です。