Este estudio presenta un enfoque novedoso que potencia la predicción de enlaces en redes de literatura científica al combinar algoritmos de detección de comunidades con varios modelos de Redes Neuronales Gráficas (GNN, por sus siglas en inglés). Al integrar el algoritmo de detección de comunidades de Louvain en nuestros marcos de GNN, mejoramos consistentemente el rendimiento en todos los modelos probados. Por ejemplo, al integrar el modelo de Louvain con el modelo GAT, se obtuvo un aumento en la puntuación de AUC de 0.777 a 0.823, ejemplificando las mejoras típicas observadas. Se notaron ganancias similares al emparejar el modelo de Louvain con otras arquitecturas de GNN, confirmando la robustez y efectividad de incorporar ideas a nivel de comunidad. Este aumento consistente en el rendimiento, reflejado en nuestra amplia experimentación en grafos bipartitos de colaboraciones científicas y citas, resalta el potencial sinérgico de combinar la detección de comunidades con GNN para superar desafíos comunes de predicción de enlaces como la escalabilidad y los límites de resolución. Nuestros hallazgos abogan por la integración de estructuras de comunidad como un paso significativo en la precisión predictiva de modelos de ciencia de redes, ofreciendo una comprensión integral de los patrones de colaboración científica a través de técnicas avanzadas de aprendizaje automático.