GATHER：用于零样本单元类型注释的以收敛为中心的超实体检索

零样本单细胞细胞类型注释旨在无需任何训练即可根据给定的一组表达基因确定细胞类型。现有的基于知识图的 RAG 方法通过从源实体扩展并依赖迭代 LLM 推理来检索证据。然而，在这种情况下，每个查询包含数十到数百个基因，其中没有单个基因是决定性的，并且标签仅从它们的集体共现中出现。这种超实体查询从根本上挑战了本地的实体探索策略，这些策略从个体基因中推理，导致可扩展性差和巨大的 LLM 成本。我们提出了 GATHER（具有超实体检索的图感知遍历），这是一种针对超实体查询量身定制的以融合为中心的 检索器。它执行全局多源图遍历并识别拓扑收敛点——从许多输入基因共同可达的节点。这些汇聚节点充当捕捉实体协同作用的高信息超实体。通过结合节点和路径重要性评分，GATHER 在检索过程中完全无需 LLM 参与即可选择信息证据。在自行构建的以细胞为中心的生物知识图 (VCKG) 上实例化，GATHER 在两个数据集（免疫和肺）上的性能优于强大的 KG-RAG 基线（ToG、ToG-2、RoG、PoG），每个样本仅需要一次 LLM 调用即可实现最高的精确匹配精度（27.45% 和 59.64%），而对于KG-RAG 基线。我们的结果表明，收敛节点将多实体信号压缩为紧凑的高信息证据，与多跳路径相比，每个项目传达的信息更多，为本地实体推理提供了有效的全局替代方案。