HeteroGraphNet: A Ligand–Receptor Informed, Heterophily-Adapted Graph Neural Network for Cell Type Prediction in scRNA-Seq Data
Notice bibliographique
Résumé
Graph Neural Networks (GNNs) have emerged as powerful tools for modeling complex relational data, yet most existing architectures assume homophily-where connected nodes share similar features-an assumption that does not hold in many biological systems. In single-cell RNA sequencing (scRNA-seq) data, intercellular communication networks often exhibit heterophily, with meaningful interactions occurring between dissimilar cell types. Moreover, conventional graph construction in this domain frequently relies on arbitrary similarity thresholds, overlooking biologically validated interaction pathways. We address these limitations with HeteroGraphNet, a heterophily-adapted GNN that incorporates ligand-receptor (<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{L}-\mathbf{R}$</tex>) interactions inferred from scRNA-seq data using LIANA to construct biologically grounded cell-cell graphs. Our model combines a bi-kernel aggregation mechanism-capable of capturing both homophilic and heterophilic signals-with cosine similarity-guided adaptive random walks that dynamically update neighborhoods during training. We further mitigate class imbalance through weighted loss functions, ensuring robust performance across underrepresented cell types. Across six scRNA-seq datasets, HeteroGraphNet consistently outperforms a multi-layer perceptron (MLP), four standard GNNs (GCN, GAT, GraphSAGE, MixHop), and two heterophily-specific GNNs (H2GCN, GBK-GNN), with especially strong gains on low-homophily graphs. These results demonstrate that incorporating ligand-receptor-informed connectivity with adaptive neighborhood exploration enables more accurate and biologically meaningful cell type prediction in heterogeneous single-cell interaction networks, offering a scalable framework for broader biological network analysis.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».