分子特性を正確に予測することは、新規化合物の設計において重要であり、これは創薬プロセスにおける鍵となる段階である。本研究では、グラフ畳み込みニューラルネットワークを用いて、分子グラフデータに基づく特性予測を行う。さらに、分子内の空間的結合情報を保持するため、畳み込み空間グラフ埋め込み層（C-SGEL）を導入した。複数のC-SGELを積み重ねることで、エンドツーエンドの表現学習を可能にする畳み込み空間グラフ埋め込みネットワーク（C-SGEN）を構築した。ネットワークのロバスト性を向上させるために、分子フィンガープリントもC-SGENと組み合わせ、分子特性予測用の複合モデルを構築した。比較実験の結果、本手法は高い精度を示し、いくつかのオープンなベンチマークデータセットにおいて最良の性能を達成した。