Исследование представляет метод PerturbGraph — графовую нейросетевую архитектуру для предсказания транскрипционных ответов на генетические возмущения в функциональной геномике. Методология основана на интеграции сетей молекулярных взаимодействий, функциональных аннотаций и транскрипционных признаков из данных CRISPR Perturb-seq. Модель строит сигнатуры возмущений, представляя сдвиги экспрессии генов относительно контрольных клеток в компактном латентном пространстве программ, что снижает шум и выделяет стабильные транскрипционные вариации. Каждый ген кодируется с использованием обогащённых биологических признаков: эмбеддингов белок-белковых взаимодействий, статистики топологии сети, базовых транскрипционных характеристик и аннотаций Gene Ontology. Графовая нейросеть распространяет информацию по сети взаимодействий для вывода программ возмущений для генов, эффекты которых не наблюдались при обучении. В бенчмарках на неизвестных возмущениях PerturbGraph превосходит классические модели машинного обучения на 6% по косинусному сходству и линейные модели более чем на 20%, улучшая восстановление дифференциально экспрессируемых генов. Результаты демонстрируют, что интеграция биологических сетей взаимодействий с графовым представлением позволяет точно предсказывать транскрипционные эффекты ранее не наблюдавшихся генетических возмущений. Код опубликован в открытом доступе на GitHub.