Les réseaux de neurones sur graphes (GNNs) ont démontré un succès remarquable dans l’apprentissage à partir de données structurées en graphes. Toutefois, ils font face à des limitations significatives en termes de pouvoir d’expression, peinant à modéliser les interactions à longue portée et manquant d’une approche rigoureuse pour représenter les structures d’ordre supérieur et les interactions groupées. Les réseaux d’isomorphisme cellulaires (CINs) ont récemment atténué la plupart de ces défis grâce à un schéma d’échange de messages basé sur les complexes cellulaires. Malgré leurs avantages, les CINs n’utilisent que des messages de bordure et des messages supérieurs, sans tenir compte d’interactions directes entre les cycles présents dans le complexe sous-jacent. La prise en compte de ces interactions pourrait s’avérer cruciale pour apprendre des représentations de nombreux phénomènes complexes du monde réel, tels que la dynamique des assemblages supramoléculaires, l’activité neuronale dans le cerveau ou les processus de régulation génique. Dans ce travail, nous proposons CIN++, une amélioration du schéma d’échange de messages topologiques introduit dans les CINs. Notre schéma d’échange de messages prend en compte les limitations mentionnées en permettant aux cellules de recevoir également des messages inférieurs à chaque couche. En offrant une représentation plus complète des interactions d’ordre supérieur et à longue portée, notre schéma renforcé d’échange de messages topologiques atteint des résultats de pointe sur des benchmarks chimiques à grande échelle et à longue portée.