В статье представлен метод Pop-Corn, основанный на глубоком обучении, который напрямую предсказывает, как генетические возмущения изменяют состав клеточных популяций, минуя промежуточный этап реконструкции экспрессии генов. Традиционные подходы часто опираются на предсказание изменений средней экспрессии генов с последующим выводом клеточных типов, что, как выяснили авторы, приводит к низкой точности прогнозирования композиционных сдвигов. Метод Pop-Corn был протестирован на бенчмарке с Т-клетками, где он превзошел существующие конвейеры предсказания экспрессии по точности прогнозирования состава состояний клеток и лучше сохранил разнообразие наблюдаемых клеточных состояний. Расширение метода на пространственные данные позволило предсказывать изменения пропорций клеточных типов в локальных микроокружениях тканей, используя механизмы внимания для генерации гипотез о контекстно-зависимых клеточных взаимодействиях. Авторы демонстрируют, что ретроспективные виртуальные скрининги с использованием Pop-Corn могут эффективно приоритизировать генетические возмущения для последующего экспериментального подтверждения. Это решение решает ключевую проблему масштабирования пуловых скринингов, таких как Perturb-seq, где экспериментально проверяется лишь малая часть возможных возмущений. Представленный подход открывает новые возможности для высокоточного моделирования биологических систем и ускорения открытия терапевтических мишеней за счет точного прогнозирования фенотипических эффектов на уровне отдельных клеток.