В данной работе представлен emb2dis — инновационный инструмент глубокого обучения, предназначенный для предсказания неупорядоченности белков (IDPs) непосредственно по их аминокислотной последовательности. Методология исследования базируется на использовании предобученных языковых моделей белков (pLMs) для генерации эмбеддингов, которые затем обрабатываются гибридной архитектурой, сочетающей остаточные сети (ResNets) и расширенные (dilated) свертки. Такое архитектурное решение позволяет значительно увеличить рецептивное поле модели, обеспечивая захват расширенного контекста для каждого аминокислотного остатка. В ходе тестирования на актуальном слепом бенчмарке CAID3 модель заняла первое место в категории Disorder-PDB, продемонстрировав высокие показатели AUC и Fmax. Кроме того, emb2dis вошел в топ-10 лучших методов на наборе данных Disorder-NOX. Разработка имеет высокую практическую значимость, так как позволяет эффективно и дешево предсказывать структурные особенности белков, связанные с различными заболеваниями, заменяя дорогостоящие экспериментальные методы. Авторы обеспечили открытый доступ к исходному коду и веб-демо для широкого использования в биоинформатике.