В статье представлен инновационный метод ORBIT, предназначенный для высокоточного поиска драйверных генов, ответственных за развитие онкологических заболеваний. Исследователи Sang-Pil Cho и Young-Rae Cho разработали архитектуру, использующую контрастивное обучение би-прототипов в гиперболическом пространстве, что позволяет лучше моделировать сложные иерархические структуры биологических данных. В отличие от традиционных методов в евклидовом пространстве, гиперболическое представление обеспечивает более эффективное разделение онкогенных и нейтральных признаков. Методология позволяет значительно повысить точность идентификации ключевых генетических мутаций, что критически важно для персонализированной медицины. Результаты исследования демонстрируют превосходство ORBIT над существующими моделями машинного обучения в задачах биоинформатического анализа. Данная разработка открывает новые возможности для разработки таргетной терапии и улучшения стратегий ранней диагностики рака на молекулярном уровне.