Zero-shot single-cell cell-type annotation 는 주어진 발현 유전자 집합으로부터 훈련 없이 세포의 타입을 결정하는 것을 목표로 합니다. 기존 지식 그래프 기반 RAG 접근법은 소스 엔티티에서 확장하고 반복적인 LLM 추론에 의존하여 증거를 검색합니다. 그러나 이 설정에서는 각 쿼리에 수 개에서 수백 개의 유전자가 포함되어 있으며, 단일 유전자는 결정적이지 않고 라벨은 그들의 집단적 공존에서만 나타납니다. 이러한 하이퍼 엔티티 쿼리는 개별 유전자에서 추론하는 로컬 엔티티 기반 탐색 전략을 근본적으로 도전합니다. 이는 낮은 확장성과 상당한 LLM 비용을 초래합니다. 우리는 GATHER(Graph-Aware Traversal with Hyper-Entity Retrieval) 를 제안합니다. 이는 하이퍼 엔티티 쿼리에 맞춤된 수렴 중심 검색기입니다. 전역 다중 소스 그래프 탐색을 수행하고 많은 입력 유전자에서 동시에 도달 가능한 위상적 수렴점을 식별합니다. 이러한 수렴 노드는 엔티티 시너지 (entity synergy) 를 포착하는 고정보량 하이퍼 엔티티로 작용합니다. GATHER 는 노드 및 경로 중요도 점수를 포함하여 검색 과정에서 LLM 관여 없이 정보 있는 증거를 선택합니다. VCKG라는 자체 구성 세포 중심 생물학적 지식 그래프에서 인스턴스화된 GATHER 는 Immune 와 Lung 두 데이터셋에서 ToG, ToG-2, RoG, PoG와 같은 강력한 KG-RAG 베이스라인을 능과하며, 샘플당 단일 LLM 호출로 정확 일치 (exact-match) 정확도를 27.45% 와 59.64% 로 달성합니다. 이는 KG-RAG 베이스라인의 2~61 회 호출에 비해 효율적입니다. 우리의 결과는 수렴 노드가 다중 엔티티 신호를 컴팩트하고 정보량이 높은 증거로 압축하여 단일 항목당 전달하는 정보가 다중 홉 경로보다 더 많음을 보여주며, 로컬 엔티티 기반 추론에 대한 효율적인 전역 대안을 제공합니다.