تتمتع الشبكات التفاعلية الحيوية بالقدرة الهائلة على المساهمة في توقع التفاعلات ذات الدلالة البيولوجية، وتحديد المؤشرات الحيوية الشبكية للأمراض، واكتشاف أهداف الأدوية المحتملة. في الآونة الأخيرة، تم اقتراح الشبكات العصبية الرسومية (Graph Neural Networks) لتعلم تمثيلات فعالة للعوامل الحيوية، وقد حققت نتائج متميزة في مجال توقع التفاعلات الحيوية. ومع ذلك، فإن هذه الأساليب تأخذ بعين الاعتبار فقط المعلومات من الجيران المباشرين، ولا تستطيع تعلم خليط عام للخصائص من الجيران على مسافات مختلفة. في هذه الورقة، نقدم شبكة ت(Convolutional Network) من الدرجة الأعلى (HOGCN) لجمع المعلومات من الجيران ذوي الدرجات العالية في الشبكة بهدف توقع التفاعلات الحيوية. وبشكل محدد، تقوم HOGCN بجمع تمثيلات الخصائص للجيران على مسافات مختلفة، وتعلّم خليطًا خطيًا لهذه التمثيلات للحصول على تمثيلات معلوماتية فعالة للعوامل الحيوية. أظهرت التجارب على أربع شبكات تفاعلية، تشمل تفاعلات البروتين-البروتين، والدواء-الدواء، والدواء-الهدف، والجين-المرض، أن HOGCN تحقق توقعات أكثر دقة وموثوقية. كما أظهرت HOGCN أداءً جيدًا في الشبكات التفاعلية ذات الضوضاء والكثافة المنخفضة، عندما تُؤخذ بعين الاعتبار تمثيلات الخصائص للجيران على مسافات مختلفة. علاوة على ذلك، تم التحقق من مجموعة من التوقعات التفاعلية الجديدة من خلال دراسات حالة قائمة على الأدبيات.