抗体-薬物複合体（ADC）は、標的がん治療薬として有望なクラスとして注目を集めていますが、その細胞毒性ペイロードの設計と最適化は依然として課題となっています。本研究では、化学構造に基づいてADCペイロードの活性を予測するために特別に設計された新しいハイブリッドグラフニューラルネットワークアーキテクチャであるDumplingGNNを紹介します。メッセージパッシングニューラルネットワーク（MPNN）、グラフアテンションネットワーク（GAT）、およびGraphSAGE層を統合することで、DumplingGNNは多スケールの分子特性を効果的に捉え、2次元トポロジー情報と3次元構造情報を両方活用することができます。DumplingGNNの評価は、DNAトポイソメラーゼI阻害剤に焦点を当てた包括的なADCペイロードデータセットだけでなく、MoleculeNetからの複数の公開ベンチマークでも行われました。DumplingGNNはBBBP（96.4％ROC-AUC）、ToxCast（78.2％ROC-AUC）、PCBA（88.87％ROC-AUC）など、複数のデータセットで最先端の性能を達成しています。専門的なADCペイロードデータセットにおいても、優れた精度（91.48％）、感度（95.08％）、特異度（97.54％）を示しています。省略実験により、ハイブリッドアーキテクチャの相乗効果と3次元構造情報が予測精度向上に果たす重要な役割が確認されました。注意機構によって可能となったモデルの高い解釈可能性は、構造-活性関係に関する貴重な洞察を提供します。DumplingGNNは分子特性予測における重要な進歩であり、特に標的がん治療薬開発におけるADCペイロードの設計と最適化加速に大きな可能性を持っています。