環を1つ以上含む環状化合物は、ドラッグデザインにおいて重要な役割を果たしている。グラフニューラルネットワーク（GNN）を用いた分子モデリングの近年の成功にもかかわらず、化合物内の環構造を明示的に考慮するモデルは依然として少なく、その結果、モデルの表現力に制限が生じている。本研究では、化合物内の原子および結合に加え、環構造を明示的にモデル化する新しいGNNの変種、リング強化型GNN（O-GNN）を提案する。O-GNNでは、各環が潜在ベクトルによって表現され、そのベクトルは原子および結合の表現から影響を受け、反復的に更新される。理論的解析の結果、従来のグラフ畳み込みニューラルネットワーク（GCN）が複数層を必要とするのに対し、O-GNNは1層で異なる環上に存在する同型部分グラフを区別できることが示された。これは、O-GNNがより高い表現力を有することを示している。実験結果によれば、O-GNNは公開データセット上で優れた性能を示した。特に、PCQM4Mv1ベンチマークでは従来のKDDCup優勝手法を上回る最先端の検証結果を達成し、DrugBankを用いたドラッグ-ドラッグ相互作用予測タスクにおいても優れた結果を示した。さらに、環構造をモデル化しない強力なベースラインモデルと比較して、分子性質予測および逆合成予測タスクにおいてもO-GNNが優れた性能を発揮した。