این ارائه به بررسی چارچوب‌های یادگیری عمیق، به‌ویژه شبکه‌های عصبی گرافی (Graph Neural Networks, GNNs)، برای استنتاج تعاملات سلول‌–سلول (Cell–Cell Interactions, CCIs) از داده‌های ترنسکریپتوم فضایی می‌پردازد. در این چارچوب‌ها، سلول‌ها به‌عنوان گره‌های یک گراف مدل می‌شوند و ارتباطات مولکولی مانند سیگنال‌دهی لیگاند–رسپتور در قالب یال‌ها نمایش داده می‌شوند. پاسخ‌های تنظیمی ژن درون هر سلول نیز به‌عنوان لایه درون‌سلولی این مسیرهای پیام‌رسانی در نظر گرفته می‌شوند و تصویری چندسطحی از پیوند میان ارتباطات خارج سلولی و تنظیم ژن ارائه می‌دهند.

در بخش نخست، اصول طراحی و آموزش مدل‌های مبتنی بر GNN، از جمله مدل‌های پیشرفته‌ای مانند DeepTalk، HoloNet، TENET، CLARIFY، NicheCompass، SpaCcLink، OrgaCCC  و NCEM معرفی می‌شود و سپس نشان داده می‌شود که چگونه ادغام اطلاعات فضایی، مسیرهای سیگنال‌دهی بین سلول‌ها و اثرات تنظیم ژنی پایین‌دست به وسیله‌ی یادگیری عمیق، منطق ارتباطی سلول‌ها را در سطح مولکولی تبیین می‌کند.

در بخش پایانی، چالش‌های کلیدی در این حوزه و جهت‌گیری‌های آینده مورد بحث قرار می گیرد. در مجموع، این ارائه تصویری جامع از تحول زیست‌شناسی فضایی به‌واسطه‌ی یادگیری عمیق مبتنی بر گراف ارائه می‌دهد، و نشان می‌دهد که این مدل‌ها چگونه می‌توانند روابط بین سیگنال‌دهی بین سلولی و تنظیم ژن درون‌سلولی را به‌صورت سیستماتیک و مکان‌محور تفسیر کنند.