Исследователи представили новый интерпретируемый фреймворк на базе глубокого обучения, предназначенный для преодоления барьера при переносе данных о старении между видами (мышь — человек) в исследованиях единичных клеток. Методология объединяет остаточный энкодер (residual encoder), двухфазную доменно-состязательную оптимизацию и атрибуцию на основе стабильности. В тестах на гемопоэтических стволовых клетках (HSC) модель показала исключительную точность: AUROC составил 0,933 для данных scRNA-seq и 0,953 для scATAC-seq. При проверке на внешних данных scRNA-seq CD8+ T-клеток достигнут показатель AUROC 0,941. Использование методов DeepLIFT, Integrated Gradients и Saliency позволило выявить консенсусные гены, демонстрирующие более высокую кросс-видовую консервативность, чем стандартный дифференциальный анализ экспрессии. Практическая значимость подтверждена на когорте пациентов, перенесших COVID-19, где модель связала тяжелое течение болезни с повышенной долей «стареющих» CD8+ клеток у молодых взрослых. Данный инструмент открывает новые возможности для трансляционной стратификации иммунных состояний и поиска консервативных признаков старения.