Les Réseaux Neuronaux à Passage de Messages (MPNNs) sont largement utilisés dans les tâches d'apprentissage sur les graphes, mais ils souffrent de limitations telles qu'une portée restreinte de l'échange d'informations, étant confinés aux nœuds voisins lors de chaque tour de passage de messages. Diverses stratégies ont été proposées pour surmonter ces limitations, notamment l'intégration de nœuds virtuels afin de faciliter l'échange d'informations globales. Dans cette étude, nous introduisons le Graphe de Soutien Hiérarchique (HSG), une extension du concept de nœud virtuel créée par un affinement récursif du graphe original. Cette approche offre un cadre flexible pour améliorer le flux d'informations dans les graphes, indépendamment des couches MPNN spécifiques utilisées. Nous présentons une analyse théorique des HSGs, examinons leurs performances empiriques et démontrons que les HSGs peuvent surpasser d'autres méthodes augmentées avec des nœuds virtuels, obtenant des résultats d'état de l'art sur plusieurs jeux de données.