OgBench：面向 omics 数据的图神经网络评估框架
机器学习
2026-05-18 v1
摘要
图神经网络 (GNN) 已成为归纳式图级学习的主导框架。然而，大多数基准测试聚焦于 n \gg p 的情形，即图的数量 n 远大于每个图中节点数 p。这忽略了诸如 omics 等生物学领域，这些领域的操作情形为 n \ll p，特点是面向少数患者样本的大规模基因、转录组或蛋白质图。这引出了一个问题：在这种低样本、高节点 omics 环境下，GNN 的表现如何？我们引入 \texttt{OgBench}（Omics-Graph Bench），作为 n \ll p 情形下图级预测的首个基准平台。我们提供从原始 omics 数据到具备多种结构属性的特征图 family 的标准化、模块化的端到端基础设施。我们基准测试经典 GNN，以及专为大规模图和 omics 应用设计的 GNN，同时包括 MLP 和机器学习基准，以建立参考性能。我们的结果表明，广泛使用的 GNN 在此领域往往不胜于简单 MLP 和经典基准。这挑战了当前关于图结构在该领域天然增值假设的主流观念，促使对当前学习范式进行关键性的重新评估。最终，通过暴露这些局限性，OgBench 为社区提供了必要的开源生态系统，以发展和验证专为生物图定制的新型架构。代码已至 https://github.com/geometric-intelligence/ogbench。
引用
@article{arxiv.2605.15511,
title = {OgBench: A Framework for Evaluating Graph Neural Networks on Omics Data},
author = {Louisa Cornelis and Johan Mathe and Louis Van Langendonck and Guillermo Bernárdez and Nina Miolane},
journal= {arXiv preprint arXiv:2605.15511},
year = {2026}
}
备注
42 pages