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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».