В статье представлен новый мультимасштабный и многомодальный фреймворк глубокого обучения CellReg3D, предназначенный для моделирования клеточно-специфичной регуляции генов. Методология объединяет локальные паттерны последовательности ДНК, извлеченные с помощью языковых моделей ДНК (DNA LLM), с данными о пространственной организации хроматина, полученными из Hi-C экспериментов. Это позволяет преодолеть ограничения существующих подходов, которые часто игнорируют вклад 3D-архитектуры генома или не могут эффективно комбинировать последовательностные признаки с данными о хроматиновых взаимодействиях. Исследователи продемонстрировали, что CellReg3D достигает состояния-of-the-art (SOTA) в предсказании эпигенетических меток и профилей экспрессии генов на множестве типов клеток, эффективно обучаясь эпигенетическим паттернам и состояниям активности хроматина. С использованием интерпретируемых методов показано, как модель идентифицирует клеточно-специфичные механизмы регуляции и приоритизирует функциональные некодирующие варианты. Применение CellReg3D к количественным локусам экспрессии (eQTL) позволило улучшить их интерпретацию и выявить новые потенциальные взаимодействия регуляции генов. Фреймворк предлагает интегрированный подход для декодирования регуляторной геномики, объединяя данные о последовательности и 3D-структуре генома для продвижения в области приоритизации вариантов, открытия механизмов заболеваний и персонализированной функциональной геномики.