对非靶向代谢组学数据进行生物学解释的关键步骤是将化合物按重要性进行排序，通常基于统计显著性或对分类的影响来分配重要性。然而，现有方法将代谢物视为独立变量，很少考虑生化关系背后的网络结构。这种脱节限制了现有排序方法突出显示共同参与生物学差异的相互关联的代谢物群体的能力。在这里，我们开发了一种新方法，该方法使用公式差分网络作为预测性图神经网络模型的输入。模型拟合后，根据代谢物对样本类别预测概率的影响对其进行排序。当应用于三个基准数据集时，这种排序方法突出了某些代谢物子网络，表明连通性是决定重要性的关键因素。这导致排名靠前的化合物之间的边数增加。此外，使用包含具有模拟显著性代谢物的数据集时，我们发现连接子图中的节点被赋予更高的重要性存在明显偏差。这种提高图神经网络可解释性的新策略，是基于将重要代谢物映射到生物通路上的常见方法的替代方案。