分子グラフ分類におけるトポロジカル記述子の有効性を再検討し、簡潔でありながら強力なベースラインを提案する。本研究では、エッジ記述子のヒストグラム集約と原子番号・結合種類に対するワンホット符号化を用いる単純な特徴工学アプローチを、ランダムフォレスト分類器と組み合わせることで、グラフニューラルネットワーク（GNN）における強力なベースラインを構築できることを示した。新規に提案するアルゴリズム「Molecular Topological Profile（MOLTOP）」は、エッジ間 centrality（辺間中央性）、調整済みランド指数（Adjusted Rand Index）、およびSCAN構造類似度スコアを統合している。この手法は、最新のGNNと比較しても顕著な競争力を持ちながら、シンプルで高速、分散が小さく、ハイパーパラメータの調整を必要としないという利点を持つ。本手法は、Open Graph Benchmarkが提供する公正な評価プロトコルに基づき、MoleculeNetデータセット上で厳密に検証された。さらに、Long Range Graph Benchmarkに含まれるペプチド分類タスクにおいて、ドメイン外の生成能力も示した。11のベンチマークデータセットにおける評価結果から、MOLTOPが強力な識別能力を有しており、一部のグラフクラスでは1-WLテスト、さらには3-WLテストをも上回ることを明らかにした。結論として、本研究は、我々が提案するような記述子に基づくベースラインが、GNN分野における進展を正確に評価するために依然として不可欠であることを示している。