أظهرت الشبكات العصبية الرسومية (GNNs) نجاحًا كبيرًا في التعلم من البيانات ذات البنية الرسومية. ومع ذلك، تواجه قيودًا كبيرة في قدرتها التعبيرية، حيث تواجه صعوبات في التفاعلات على مسافات طويلة، كما أنها تفتقر إلى نهج منهجي لتمثيل الهياكل من الدرجة الأعلى والتفاعلات الجماعية. وقد حلّت الشبكات الإيزومورفية الخلوية (CINs) مؤخرًا معظم هذه التحديات باستخدام خوارزمية تبادل الرسائل المستندة إلى المجمعات الخلوية. وعلى الرغم من مزاياها، فإن CINs تستخدم فقط الرسائل الحدودية والرسائل العلوية، والتي لا تأخذ بعين الاعتبار التفاعل المباشر بين الحلقات الموجودة في المجمع الأساسي. وقد يكون أخذ هذه التفاعلات بعين الاعتبار أمرًا حاسمًا لتمثيل العديد من الظواهر المعقدة الواقعية، مثل ديناميكيات التركيبات فوق الجزيئية، والنشاط العصبي داخل الدماغ، وعمليات تنظيم الجينات. في هذه الدراسة، نقترح CIN++، وهي تحسين لخوارزمية تبادل الرسائل الطوبولوجية المقدمة في CINs. تعتمد خوارزمية التبادل الرسائل التي نقترحها على إمكانية استقبال الخلايا لرسائل سفلية ضمن كل طبقة، مما يعالج القيود المذكورة أعلاه. وبفضل تمثيل أكثر شمولاً للتفاعلات من الدرجة الأعلى والتفاعلات على مسافات طويلة، تحقق خوارزميتنا المحسّنة لتبادل الرسائل الطوبولوجية نتائج رائدة على معايير كيميائية كبيرة الحجم وطويلة المدى.