Aplicar algoritmos de aprendizaje automático a datos estructurados en grafo ha recibido una atención significativa en los últimos años debido a la prevalencia de estructuras de grafo inherentes en conjuntos de datos de la vida real. Sin embargo, la aplicación directa de algoritmos tradicionales de aprendizaje profundo, como las Redes Neuronales Convolucionales (CNNs), es limitada ya que están diseñados para datos euclídeos regulares como cuadrículas 2D y secuencias 1D. En contraste, los datos estructurados en grafo están en una forma no euclídea. Las Redes Neuronales de Grafo (GNNs) están diseñadas específicamente para manejar datos no euclídeos y hacer predicciones basadas en la conectividad en lugar de la estructura espacial. Los datos de grafo de la vida real se pueden categorizar ampliamente en dos tipos: grafos espacialmente invariables, donde la estructura de enlace entre los nodos es independiente de sus posiciones espaciales, y grafos espacialmente variantes, donde las posiciones de los nodos proporcionan información adicional sobre las propiedades del grafo. Sin embargo, hay un entendimiento limitado del efecto de la variación espacial en el rendimiento de las Redes Neuronales de Grafo. En este estudio, nuestro objetivo es abordar este problema comparando el rendimiento de GNNs y CNNs en datos de grafo espacialmente variantes y espacialmente invariantes. En el caso de los grafos espacialmente variantes, cuando se representan como matrices de adyacencia, pueden presentar una estructura espacial tipo euclídea. Basándonos en esta distinción, hipotetizamos que las CNNs pueden superar a las GNNs al trabajar con grafos espacialmente variantes, mientras que las GNNs pueden sobresalir en grafos espacialmente invariantes. Para probar esta hipótesis, comparamos el rendimiento de CNNs y GNNs bajo dos escenarios: (i) grafos en los conjuntos de entrenamiento y prueba tenían el mismo patrón de conectividad y estructura espacial, y (ii) grafos en los conjuntos de entrenamiento y prueba tenían el mismo patrón de conectividad pero diferentes estructuras espaciales. Nuestros resultados confirmaron que la presencia de estructura espacial en un grafo permite el uso efectivo de CNNs, que incluso pueden superar a las GNNs. Por lo tanto, nuestro estudio contribuye a la comprensión del efecto de la estructura espacial del grafo en el rendimiento de los métodos de aprendizaje automático y permite la selección de un algoritmo apropiado basado en las propiedades espaciales del conjunto de datos de grafo de la vida real.