Dans le cas où les entrées d'un système se présentent sous la forme d'une structure, comme pour certaines applications dans le domaine de la chimie où les entrées sont des molécules, il est plus avantageux d'utiliser directement cette structure pour modéliser les réponses du système, qui peuvent être les propriétés physico-chimiques de ces molécules ou leur activité. Nous présentons, à cette fin, une méthode de modélisation par apprentissage statistique, que l'on désigne par graph machines, basée sur le codage des entrées en graphes acycliques orientés. Le modèle construit par la méthode des graph machines se présente sous forme d'une composition de fonctions paramétrées élémentaires (de type réseaux de neurones) qui partagent les mêmes paramètres. Les fonctions associées aux différentes observations sont différentes les unes des autres parce qu'elles reflètent la structure inhérente à chaque observation, i.e. à des observations distinctes sont associés des modèles distincts. Cette approche se positionne, de ce fait, en rupture avec les méthodes classiques de modélisation où les variables en entrée sont représentées par des vecteurs et le modèle construit est le même pour toutes les observations. Nous présentons une comparaison des résultats obtenus, pour la modélisation de propriétés physico-chimiques d'amines, d'une part, par une approche classique, appelée QSAR (Quantitative Structure-Activity Relationship), basée sur les descripteurs moléculaires, et, d'autre part, par les graph machines. Elle a été réalisée dans le cadre d'un projet sur la recherche de solvants chimiques pour la capture du CO2 dans les fumées industrielles.