Neues Graph-Foundation-Modell: Universelle Basis für biomedizinische Netzwerke

In der biomedizinischen Forschung sind Graphen unverzichtbar, denn sie stellen molekulare Interaktionsnetzwerke, Genregulationskreise, Zell-Zell-Kommunikationskarten und Wissensgraphen dar. Trotz ihrer zentralen Bedeutung gibt es bislang kein allgemein einsetzbares Basismodell für Graphanalysen, das die Erfolge von Sprach- und Bildmodellen replizieren könnte.

Der neue Ansatz nutzt strukturbezogene, feature‑agnostische Eigenschaften wie Knotengradstatistiken, Zentralitätsmaße, Gemeinschaftsstrukturen und Diffusionssignaturen. Diese Eigenschaften werden als strukturelle Prompt‑Vektoren in ein Message‑Passing‑Backbone eingebettet, wodurch Graphen in einen gemeinsamen Repräsentationsraum projiziert werden. Das Modell wird einmal auf heterogenen Graphen vortrainiert und kann anschließend ohne umfangreiche Anpassungen auf völlig neue Datensätze angewendet werden.

In mehreren Benchmark‑Tests übertrifft das vortrainierte Modell starke, überwachte Baselines und zeigt herausragende Zero‑Shot- und Few‑Shot‑Generalisation auf bislang nicht gesehenen Graphen. Damit eröffnet es einen vielversprechenden Weg, die Analyse von biologischen Netzwerken über verschiedene Kohorten, Assays und Institutionen hinweg zu vereinheitlichen und zu beschleunigen.