Исследование представляет метод CCIDeconv — иерархическую модель машинного обучения (классификация и регрессия) для деконволюции клеточно-клеточных взаимодействий (CCI) на субклеточном уровне в данных транскриптомики одиночных клеток. Метод использует модифицированный скоринг CellChat для атрибуции взаимодействий к субклеточным компартментам — цитоплазме и ядру. Исследователи валидировали подход на девяти публичных наборах данных пространственной транскриптомики (sST) из различных тканей человека, проведя кросс-валидацию с исключением одного набора данных (leave-one-dataset-out). Результаты показали, что обучение на множестве типов тканей обеспечивает устойчивую производительность деконволюции на невидимых наборах данных. Ключевое открытие: модели без пространственных признаков достигли схожей производительности с моделями, включающими пространственные данные, при увеличении количества обучающих наборов, что открывает возможность точного предсказания субклеточных взаимодействий CCI из данных scRNA-seq при достаточном объёме обучающих данных. Метод позволяет исследователям анализировать паттерны субклеточных взаимодействий для понимания биологических механизмов в контексте здоровья и различных заболеваний.