В исследовании оценивается эффективность алгоритма машинного обучения Random Forest (RF) для прогнозирования динамики пролиферации клеток на основе данных о конфлюэнтности у линий человеческих раковых клеток. Авторы сравнивают производительность модели RF с традиционными математическими моделями роста — логистической и моделью Гомпертца, которые широко используются в доклинических исследованиях. Результаты показывают, что модель RF обеспечивает более высокую точность предсказания, особенно при высоких начальных плотностях посева клеток. Исследование также демонстрирует возможность расширения фреймворка RF для прогнозирования кривых роста при различных плотностях посева. Полученные данные подчеркивают потенциал методов, основанных на данных, для дополнения традиционных математических подходов и улучшения планирования экспериментов с клеточными культурами. Это открытие имеет значение для оптимизации процессов доклинического открытия лекарств, где точная характеристика кинетики клеточной пролиферации является ключевым фактором.