В исследовании представлен новый метод быстрого обучения биологически информированных нейронных сетей (BINN), которые интегрируют биологические пути и белковые взаимодействия непосредственно в архитектуру нейросети. Исследователи протестировали модель на масштабных данных UK Biobank, охватывающих около 500 000 человек, используя генотипические и протеомные данные для анализа шести распространенных заболеваний. Работа выявила две критические проблемы интерпретируемости: систематическую предвзятость оценок атрибуции из-за топологии графа и феномен «прогностической множественности», когда разные модели с одинаковой архитектурой приходят к разным биологическим выводам при схожей точности. Однако авторы доказывают, что эта множественность может быть полезна: при анализе 100 реплик BINN для диабета 2 типа были обнаружены кластеры решений, фокусирующиеся на разных механизмах (воспалительном или печеночно-метаболическом). Это позволяет использовать вариативность объяснений ИИ как инструмент для изучения гетерогенности сложных заболеваний и поиска различных биологических путей их развития.