В статье представлен масштабный бенчмарк, сравнивающий эффективность графовых нейронных сетей (GNN), предобученных моделей (ChemBERTa, MolCLR) и молекулярных отпечатков (fingerprints) для предсказания ADMET-свойств (абсорбция, распределение, метаболизм, выведение и токсичность) лекарственных кандидатов. Исследование устраняет пробел в существующих сравнениях, используя строгий протокол оценки с сопоставимыми бюджетами на тонкую настройку (50 испытаний на модель) и разделение данных по скелету молекулы (scaffold-split) для предотвращения утечки данных. Результаты показывают, что ни одна архитектура не является универсально лучшей: GNN превосходят другие методы только в предсказании проницаемости Caco-2, причем это преимущество обусловлено не структурой графа, а вспомогательными физико-химическими дескрипторами. Модели на основе отпечатков Морган демонстрируют высокую конкурентоспособность на задачах hERG и выведения, в то время как предобученная модель MolCLR показала лучшие результаты на датасете Tox21. Для некоторых задач, таких как клиренс в гепатоцитах и период полувыведения, все модели показали близкие к нулю или отрицательные значения R², что указывает на сложность предсказания этих параметров. Исследование также выявило, что выбор стратегии оптимизации гиперпараметров не дает стабильного преимущества перед случайным поиском при данном бюджете, а использование тестовых данных для выбора лучшей модели искусственно завышает показатели. Выводы подчеркивают необходимость выбора модели, специфичной для конкретной задачи, и использования справедливых, контролируемых на утечку протоколов оценки для надежной поддержки принятия решений на ранних стадиях разработки лекарств.