أظهرت شبكات العصبونات الرسومية (GNNs) نجاحًا كبيرًا في مهام التعلم القائمة على الرسوم البيانية المتنوعة. ومع ذلك، فإنها غالبًا ما تواجه مشكلة التجانس الزائد عند زيادة عمق النموذج، مما يؤدي إلى تقارب جميع تمثيلات العقد إلى قيمة واحدة وتصبح غير قابلة للتفرقة. تنبع هذه المشكلة من القيود الأساسية لـ GNNs، التي تعاني من صعوبة في تمييز أهمية المعلومات من الأحياء المختلفة. في هذا البحث، نقدم MbaGCN، وهي هندسة تجميع رسومية جديدة مستوحاة من نموذج Mamba - الذي صُمم أصلاً للنمذجة التسلسلية. يوفر MbaGCN هيكلًا أساسيًا جديدًا لـ GNNs يتكون من ثلاثة مكونات رئيسية: طبقة جمع الرسائل، طبقة انتقال الفضاء الحالة الاختيارية، وطبقة التنبؤ بحالة العقد. تعمل هذه المكونات معًا لتجميع المعلومات من الأحياء بشكل تكيفي، مما يوفر مرونة وقابلية للتوسع أكبر للنماذج العميقة من GNNs. رغم أن MbaGCN قد لا تتفوق باستمرار على جميع الأساليب الموجودة لكل مجموعة بيانات، إلا أنها توفر إطار عمل أساسي يوضح دمج النموذج Mamba بكفاءة في تعلم تمثيل الرسوم البيانية. من خلال التجارب الواسعة على مجموعات البيانات المرجعية، نثبت أن MbaGCN تفتح الطريق لمزيد من التطورات في بحوث شبكات العصبونات الرسومية.