В исследовании представлен HiCP2GAN — инновационный фреймворк, использующий генеративно-состязательные сети (GAN) для повышения разрешения карт хроматиновых взаимодействий (Hi-C). Основная проблема Hi-C заключается в высокой стоимости получения данных высокого разрешения, что приводит к разреженности карт и затрудняет анализ регуляции генов. Авторы предложили архитектуру «plug-and-play», где в качестве дискриминатора используется предобученная фундаментальная модель на базе Vision Transformer, обученная на колоссальном массиве из 118 миллионов патчей Hi-C различных видов и типов клеток. В отличие от традиционных методов, требующих обучения дискриминатора с нуля, HiCP2GAN использует биологически значимые градиенты от предобученной модели, что обеспечивает стабильность обучения и лучшую обобщающую способность. Методология включает адаптацию энкодера фундаментальной модели в качестве основы дискриминатора с тонкой настройкой (finetuning) только первых слоев при заморозке глубоких слоев трансформера. Эксперименты на линиях клеток человека подтвердили, что HiCP2GAN превосходит стандартные генераторы и классические GAN-модели по качеству восстановления структуры хроматина. Фреймворк является универсальным (generator-agnostic), что позволяет интегрировать его с любыми существующими архитектурами генерации данных Hi-C.