Nous introduisons un nouveau jeu de données de référence, Placenta, destiné à la classification de nœuds dans un domaine peu exploré : la prédiction des structures tissulaires microanatomiques à partir de graphes cellulaires issus d’images de coupe complète d’histologie du placenta. Ce problème pose des défis particulièrement difficiles pour l’apprentissage sur graphes, pour plusieurs raisons. Les graphes cellulaires sont de grande taille (plus d’un million de nœuds par image), les caractéristiques des nœuds sont variées (64 dimensions pour 11 types de cellules), les étiquettes de classe sont déséquilibrées (9 classes, dont les proportions varient de 0,21 % à 40,0 % des données), et les communautés cellulaires s’organisent en tissus hétérogènes distribués de manière inégale, aux tailles très différentes (de 11 à 44 671 nœuds pour une seule structure). Dans ce travail, nous mettons à disposition un jeu de données comprenant deux graphes cellulaires extraits de deux images d’histologie du placenta, totalisant 2 395 747 nœuds, dont 799 745 possèdent des étiquettes de vérité terrain. Nous présentons des résultats de benchmark inductifs pour sept modèles évolutifs, et illustrons comment les caractéristiques uniques des graphes cellulaires peuvent stimuler le développement d’architectures novatrices de réseaux de neurones sur graphes.