RAG-GNN：用于精密医疗的集成检索知识的图神经网络

网络拓扑在结构预测方面表现出色，但无法捕获生物医学文献中编码的功能语义。我们提出 RAG-GNN，一个端到端可训练的检索增强图神经网络框架，通过联合优化检索投影、门控融合机制和对比对齐，将 GNN 表示与通过检索获得的文献派生知识集成。 在一个癌症信号信号案例研究中（379 蛋白质、3,498 相互作用、14 功能类别），RAG-GNN 将功能聚类从 silhouette $= -0.237 \pm 0.065$（GNN-only）提升至 $-0.144 \pm 0.066$，在 10 个随机种子上实现一致的 $+0.093 \pm 0.022$ 改进；而所学检索实现 mean precision@10 $= 0.242$，比随机基线 ($0.096$) 提升 152%。 采用 bootstrap confidence intervals 的启发式信息分解揭示，拓扑结构和检索编码了超过 95.6% 的共享信息，其中检索同时改进了簇内内凝聚力 (silhouette) 和簇一致性 (ARI $+0.021 \pm 0.015$)。反事实实验确认， Adversarial、缺失和随机检索都会降低性能，验证了门控融合机制依赖于文档内容。在与八种 established embedding 方法进行基准测试后显示，拓扑聚焦方法在强链接预测方面取得佳绩，而检索增强在受控 GNN-only ablation 下的功能聚类中始终表现出改进。 DDR1 亚网络分析提供了与 established 合成致死关系一致的确认。这些结果表明，拓扑-only 和检索增强方法在精密医疗应用中 serve complementary purposes。