В статье представлен метод Cell-Lens, который решает проблему потери биологической информации при применении больших языковых моделей (LLM) к данным одиночных клеток (single-cell). Традиционные подходы передают в модель лишь короткий отранжированный список генов, что лишает ИИ контекста, так как значимые маркеры могут выпадать из выборки. Cell-Lens использует обучаемое без дообучения (training-free) структурированное представление клетки в виде типизированных блоков, включающих парные измерения и маркер-подтвержденные программы. Метод был протестирован на четырех бенчмарках (CellVerse, SOAR, CellPuzzles, SC-Arena) с использованием пяти семейств моделей и показал улучшение производительности до 27.1 балла. Особый прирост эффективности наблюдается в случаях, когда ключевой РНК-маркер отсутствует в исходном списке, так как парные белковые данные сохраняют необходимый сигнал. Исследователи также создали и опубликовали бенчмарк CellSpectrum, охватывающий восемь источников и семь задач с парными модальностями, где результаты подтвердили устойчивость улучшений. Работа демонстрирует, что оптимизация входного представления данных позволяет значительно повысить качество рассуждений ИИ в биологии без необходимости переобучения самих моделей.