В статье представлена scRep — компактная модель-фундамент для анализа данных одноклеточной РНК-секвенирования (scRNA-seq), основанная на латентной самодистилляции. В отличие от традиционных подходов, которые реконструируют замаскированные значения экспрессии генов, scRep выравнивает различные возмущённые представления одной и той же клетки через архитектуру «учитель-ученик» с обновлением импульса, используя цели самодистилляции на уровне клеток и генов. Такой подход позволяет модели улавливать биологическую информацию, устойчивую к неполным и искажённым данным транскриптома. Модель, предобученная на примерно 2,8 миллионах клеток, показала лучшую общую производительность среди замороженных представлений без тонкой настройки, демонстрируя высокую эффективность выборки. При масштабировании до 30,72 миллиона клеток модель сохранила эффективность, подтверждая масштабируемость подхода. scRep также приоритизирует известные маркерные гены, восстанавливает генные программы, связанные с факторами транскрипции, и сохраняет непрерывную структуру развития, что полезно для псевдовременного анализа. Авторы показали, что производительность предобучения тесно связана с биологическим разнообразием: сокращение избыточных клеток при улучшении покрытия типов клеток может превзойти результаты на больших, но менее сбалансированных корпусах. Эти результаты подтверждают, что латентная самодистилляция является эффективной альтернативой реконструкции экспрессии для моделирования одиночных клеток, а эффективное масштабирование зависит не только от числа клеток, но и от цели обучения и биологического разнообразия данных.