知识卡片：组织特异性相互作用组中的有效电阻与图神经网络可靠性

一句话结论

材料显示，在24个组织特异性相互作用组中，有效电阻作为图神经网络逐节点可靠性信号受逆度支配并随共表达过滤网络增长而退化；但其相对度保持零图的残差在控制多种因素、扣除置换底线后，仍能在19/24个留出网络中解释额外逐节点损失，且随深度增强——不过选择性预测实际改善可忽略。

事件概述或研究问题

蛋白质功能标注不仅需要知道模型预测什么，还需要知道哪些预测应被不信任。该研究问：组织特异性相互作用结构是否携带这种“该不信任哪些预测”的信息。候选信号是 effective resistance，此前用于通过重连缓解 over-squashing。

方法/产品要点

• 在24个 tissue-specific interactomes 上分析 effective resistance。
• 检查其与 inverse degree 的关系，并观察随 co-expression filtered network 增长的变化。
• 用 degree-preserving null graphs 比较残差偏离。
• 控制 predictive entropy、degree、annotation cardinality、local structure、feature-only difficulty。
• 在扣除 permutation floor 后，评估残差是否解释额外 per-node loss；并在度保持零世界重训练模型作为对照。
• 关注 selective prediction 是否改善。

主要结果或产业意义

• effective resistance 在24个组织特异性相互作用组中由 inverse degree 支配；随着共表达过滤网络增长，退化加深，Spearman correlation 为 -0.955。
• 对该极限的残差偏离在所有24个网络中超过 degree-preserving null graphs。
• 控制上述变量后，在19/24个 held-out networks 中，扣除 permutation floor 后，残差解释额外 per-node loss，且在每个深度均成立，并随深度单调增强。
• 增量达到控制变量未解释方差的0.37%，是 permutation floor 的5.6倍；当模型在 degree-preserving null world 中重训练时，该比值降至1.5倍。
• selective prediction 改善可忽略。
• 作者总结：该信号可复现，但 degree degeneration 为其设定了边界。

为什么重要

这项研究把 GNN 可靠性/不确定性从“只看输出”推进到“利用输入网络结构估计哪些节点预测更可能出错”。它提示有效电阻可作为组织特异性相互作用组中的候选结构信号，但强逆度效应和微弱的选择性预测改善限制了直接应用。与已有相关卡片（GNN力场、PINN波传播、RSF-GLLM知识图谱问答）不直接重复；本条增量在于把 GNN 可靠性评估放到生物组织特异性相互作用组，并检验有效电阻的度退化边界。

局限与不确定性

• 当前材料为 arXiv 摘要/元数据；模型架构、训练细节、数据集与组织清单、注释体系、深度范围、置换底线定义、统计检验、选择性预测指标等均待核实。
• 选择性预测改善“可忽略”，说明从额外解释损失到实际拒答/筛选收益之间关系有限，具体是否可部署待核实。
• 有效电阻受 inverse degree 支配，degree degeneration 是明确边界；该信号能否在其他物种、组织、网络构建流程中复现待核实。
• 0.37% 的额外解释方差本身较小，产业意义需结合下游任务待核实。
• 预印本状态、同行评审与独立复现情况待核实。

可用于图书/PPT/简报的角度

• 如何判断 GNN 何时不可信：结构信号 vs 输出不确定性。
• 有效电阻从缓解 over-squashing 到可靠性估计的迁移。
• 组织特异性相互作用组中的度支配与共表达过滤退化。
• 零模型与置换底线：为什么 GNN 可靠性评估不能只看原始相关性。
• 选择性预测的落差：统计上的额外解释力不等于实际筛选收益。
• 生物网络 GNN 的边界条件与可复现性。

原始材料

• 英文标题：Effective Resistance and Graph Neural Network Reliability in Tissue-Specific Interactomes
• 英文关键词（据材料提取）：Effective Resistance; Graph Neural Network Reliability; Tissue-Specific Interactomes; Protein Function Annotation; Over-Squashing; Degree-Preserving Null Graphs; Selective Prediction
• arXiv ID：2610.02175v1
• 作者：Jianru Shen
• 发布/更新：2026-10-01T17:57:10Z
• 分类：cs.LG, q-bio.MN
• Abstract URL：https://arxiv.org/abs/2610.02175v1
• PDF URL：https://arxiv.org/pdf/2610.02175v1