［本站讯］近日，软件学院吴昊教授团队在图神经网络与多模态数据集成领域取得新进展，相关成果以“DHHNN: A Dynamic Hypergraph Hyperbolic Neural Network Based on Variational Autoencoder for Multimodal Data Integration and Node Classification”为题发表在国际顶尖学术期刊Information Fusion。软件学院教授吴昊和公共卫生学院教授杨帆为论文通讯作者，本研究得到山东大学第二医院李殿国和山东大学齐鲁医院夏文的专业支持与协助，山东大学软件学院为第一作者和通讯作者单位。

在现实世界中，复杂网络通常蕴含多层次结构与远程依赖关系，传统的静态图模型难以有效捕捉数据中的多尺度特征。为此，研究提出了一种动态超图双曲神经网络（DHHNN）模型，该模型融合了双曲几何空间与动态超图框架，并引入自注意力机制，以自适应地调控超节点与超边的权重，从而精准揭示网络的内在结构及多模态关联特征。通过计算不同模态数据中节点之间的相似性，将其归入相应的超边，以此捕获数据的原始结构信息。此外，基于最小顶点覆盖策略筛选关键节点，并进一步确定关键超边，以突出数据的核心结构。在训练过程中，模型通过节点聚类、距离计算动态更新和重构超图等操作，有效去除冗余边，优化数据表示，提高模型的泛化能力。在模型中嵌入自注意力机制，利用Query、Key、Value矩阵计算注意力权重，从而对超图中节点与超边之间的交互关系进行动态加权。这一机制能够实现跨模态特征的自适应融合，有效增强对远程依赖关系和复杂交互模式的建模能力。综合以上技术，该模型能够有效挖掘多模态数据中的高阶结构特征和复杂内在关系，为动态构建跨模态数据提供了坚实的理论基础与方法支持，同时也推动了该领域的创新发展。

吴昊教授团队长期致力于生成式人工智能、单细胞多组学数据集成、跨模态数据生成及下游分析和细胞生命周期预测、三维基因组结构及相关调控元件预测等相关研究，系列研究成果发表于Information Fusion（2025）（中科院1区，Top期刊，IF = 16.1分）、Environmental Health Perspectives（2025）（中科院1区，Top期刊，IF = 10.3分）、Genome Biology（2024） （中科院1区，Top期刊，IF = 16.5）、Communications Biology（2024）（中科院1区，Top期刊，IF=5.6分）、Nucleic Acids Research（2022）（中科院1区，Top期刊，IF=16.6分）等学术期刊，相关研究得到国家自然科学基金、国家重点研发计划和广东省自然科学基金等项目资助。