В статье представлен новый фреймворк MMRL (Missense Mutation Representation Learning), который использует методы самообучения без учителя для анализа соматических миссенс-мутаций в онкологии. В отличие от традиционных подходов, сжимающих мутации в показатели TMB или сигнатуры, MMRL учитывает сложные контекстные зависимости, включая генную идентичность, триплетный контекст, патогенность по AlphaMissense и структурную информацию о белках. Модель обучалась на данных примерно 50 000 опухолевых образцов из различных типов рака, выявляя скрытые биологические структуры в ландшафтах мутаций. Ключевым результатом стало то, что эмбеддинги MMRL демонстрируют более высокую прогностическую дискриминацию по сравнению с TMB и остаются значимо связанными с общей выживаемостью даже после поправки на тип рака и возраст. Исследование также показало, что метод эффективен для прогнозирования ответа на терапию ингибиторами контрольных точек иммунитета. Кластерный анализ выявил девять новых подтипов мутаций с различными исходами и профилями сигнатур, что подтверждает клиническую значимость подхода. Использование механизмов внимания позволило выявить контекстно-зависимые паттерны, выходящие за рамки простой частоты мутаций. Разработанный метод открывает новые возможности для прецизионной онкологии, позволяя точнее стратифицировать пациентов и прогнозировать течение заболевания.