本論文では、グラフニューラルネットワーク（GNN）から学習した分子記述子と一般的な記述子を組み合わせ、機械学習モデルの混成アンサンブルを用いた分子特性のモデリング手法を提案しています。このアプローチでは、さまざまな優れた機械学習モデルからの予測を集約するMetaModelフレームワークを導入し、特定のタスクに応じたGNN由来の特徴と従来の分子記述子を組み合わせる特徴化スキームを示します。実験の結果、我々のフレームワークは、すべての回帰データセットおよび9つの分類データセット中6つで、最先端のChemPropモデルを上回る性能を発揮しました。また、ChemPropから得られたGNN特徴を組み込むことで、アンサンブルモデルの性能が向上することも確認されました。結論として、幅広い問題において最適な性能を達成するためには、一般的な記述子と特定のタスクに応じた学習された特徴を組み合わせ、多様な機械学習モデルを利用することが重要であるとしています。