📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Биологи всё чаще доверяют компьютерам чтение «инструкций по эксплуатации» живой клетки. Шесть свежих моделей искусственного интеллекта — Nicheformer, CellPLM, scGPT-spatial, GenePT, scELMo и Novae — как шесть переводчиков с разных диалектов одного и того же клеточного языка. Каждый учился на своих текстах: одни зубрили последовательности активных генов, другие — пространственные карты тканей, третьи вообще начинали с обычного человеческого языка.

Авторы работы устроили им честный экзамен. Моделям давали одни и те же задачи: сгруппировать клетки по типу, найти гены-маркеры (молекулярные «паспорта» клеток) или предсказать, как клетка отреагирует на лекарство. Исходные данные тоже были разными — от обычного перечня работающих генов до снимков, где видно положение каждой клетки в ткани.

Результат оказался отрезвляющим. Модели, обученные на «плоских» списках генов, лучше всего определяли клеточные типы. Пространственные модели, которые видят карту ткани, точнее сохраняли архитектуру органа. А языковые модели, для которых ген — это просто слово в предложении, неожиданно неплохо предсказывали эффект лекарств. Ни одна модель не выиграла во всех номинациях, и расстановка сил менялась от малейших нюансов — способа предобработки данных, выбора метрики или даже того, как именно гены были «нарезаны» на кусочки для анализа.

Это не гонка за абсолютным чемпионом. Скорее, появление целого набора инструментов, где каждый хорош для своего дела. Будущее за теми моделями, которые смогут не просто набирать очки в тестах, а объяснить биологу, почему клетка пошла именно по этому пути развития.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2607.17227

Single-cell and spatial foundation models promise transferable biological representations, yet their generality remains largely untested across modalities, biological domains and analytical tasks. We benchmarked six representative models, Nicheformer, CellPLM, scGPT-spatial, GenePT, scELMo and Novae, using a harmonised framework spanning scRNA-seq, spatial transcriptomics and Perturb-seq. We evaluated zero-shot and continually pretrained clustering, supervised annotation, marker-gene concordance and perturbation prediction. Model performance was strongly conditional: expression-trained cell-level transformers best resolved many cell-identity tasks, spatial and graph-aware models better preserved tissue architecture, and language-derived gene embeddings were competitive for selected perturbation-response metrics. No model dominated across tasks, and rankings shifted with modality, preprocessing, tokenisation, biological prior, domain shift and metric choice. This benchmark provides practical guidance for model selection and argues that future models should be judged by biological generalisation, interpretability and perturbation-grounded validity, not by scale or leaderboard performance alone.