В исследовании проведен сравнительный анализ четырех популярных моделей глубокого обучения, предназначенных для прогнозирования эффектов вариантов сплайсинга, на основе набора данных MFASS, включающего 27 733 однонуклеотидных варианта с подтвержденными экспериментальными результатами. Результаты бенчмарка показали, что модель Pangolin является наиболее эффективной для предсказания нарушений сплайсинга с показателем AUROC 0.888 и средней точностью (average precision) 0.421, опережая SpliceAI (AUROC 0.819), SpliceTransformer (AUROC 0.786) и MMSplice (AUROC 0.758). Ключевым открытием стало обнаружение системной «слепой зоны»: все протестированные инструменты демонстрируют высокую точность вблизи сайтов сплайсинга, однако их чувствительность резко падает при анализе вариантов внутри экзонов. В частности, 19% всех нарушающих сплайсинг вариантов были пропущены всеми пятью протестированными моделями, причем эти ошибки сосредоточены преимущественно в центральной части экзонов. Исследование подтверждает, что данная проблема не является следствием архитектуры, ориентированной только на сайты сплайсинга, так как даже модель MMSplice, учитывающая модульные эффекты, показала аналогичное снижение эффективности. Данные выводы критически важны для геномной диагностики, указывая на необходимость разработки новых алгоритмов для более точного анализа глубоких участков экзонов.