Heterophily-Aware Hypergraph Neural Networks for Cell Type Prediction Using Ligand-Receptor-Informed Single-Cell RNA-Seq Data
Notice bibliographique
Résumé
Accurately predicting cell types from single-cell RNA sequencing (scRNA-seq) data requires modeling complex cellular interactions that extend beyond pairwise transcriptional similarity. Ligand—receptor-mediated signaling is a key driver of such interactions, often spanning diverse cell types and exhibiting both homophilic and heterophilic patterns. In this work, we introduce a biologically informed framework for cell type prediction based on heterophily-aware hypergraph neural networks (HGNNs), where hyperedges represent multi-cell communication events derived from curated ligand—receptor pairs. This construction enables higher-order modeling of intercellular signaling and captures the combinatorial nature of ligand—receptor communication. We evaluate nine state-of-the-art hypergraph-based models—including HGNN, HyperGCN, UniGCNII, HyperND, AllDeepSets, AllSetTransformer, ED-HNN, SheafHyperGNN, and HyperUFG—that encompass diverse message passing paradigms such as spectral convolutions, diffusion dynamics, permutationinvariant set operations, and sheaf-theoretic encoding. Experiments on six benchmark scRNA-seq datasets reveal that architectures tailored to heterophilic structure substantially outperform their homophily-oriented counterparts. Our results underscore the importance of both biologically grounded hypergraph design and heterophily-aware learning in advancing automated cell type annotation for complex tissue systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».