Исследование посвящено решению критической проблемы идентификации малых и интерпретируемых наборов генов в данных транскриптомики единичных клеток (single-cell RNA-seq). Авторы представляют новый рабочий процесс Sparse Linear Manifold Control (SLMC), предназначенный для реконструкции устойчивых к индивидуальным особенностям доноров траекторий развития заболеваний. Методология SLMC позволяет удалять вариативность, связанную с конкретными пациентами, и выбирать минимальные генные программы, экспрессия которых точно восстанавливает показатель, ориентированный на заболевание. В ходе тестирования на пяти наборах данных человека, охватывающих онкологию и нейродегенеративные заболевания, было установлено, что жадные алгоритмы выбора (greedy methods) превосходят LASSO при ограниченном бюджете генов. Результаты показали, что точная реконструкция достижима всего с использованием 25 генов, что критически важно для клинической интерпретации. Данная работа вносит значительный вклад в развитие биоинформатики и использование ИИ для поиска биомаркеров, обеспечивая высокую устойчивость моделей к межиндивидуальным различиям.