В исследовании представлен scCRAFT+ — инновационный метод полуавтоматической интеграции данных секвенирования РНК единичных клеток (scRNA-seq). Основная проблема текущих методов заключается в потере тонких различий между близкородственными типами клеток при интеграции транскриптомных данных. Авторы предложили использовать виртуальное состязательное обучение (Virtual Adversarial Training, VAT) для совместной оптимизации репрезентаций транскриптома и супервизии на основе маркерных генов. Это позволяет модели обеспечивать гладкость локальных предсказаний для транскрипционно схожих клеток, что повышает устойчивость к шуму в аннотациях маркеров. Результаты бенчмаркинга подтвердили, что scCRAFT+ превосходит существующие методы как в unsupervised, так и в supervised подходе. Модель демонстрирует высокую точность автоматической аннотации типов клеток, даже при использовании неполных или частично некорректных наборов маркерных генов, сохраняя биологическую разрешающую способность данных.