В статье представлен метод irAEGIS — новая модель машинного обучения, предназначенная для прогнозирования риска развития иммунно-опосредованных нежелательных явлений (irAE) у пациентов, проходящих терапию ингибиторами контрольных точек иммунитета (ICI). В отличие от существующих подходов, которые часто агрегируют данные или используют «черные ящики» глубокого обучения, irAEGIS использует обучение представлений с ограничениями на основе множеств генов, интегрируя предварительные биологические знания. Модель агрегирует активность путей внутри отдельных типов клеток и объединяет специфические для типов клеток сигналы риска через иерархическую структуру предсказания, что позволяет декомпозировать прогноз на вклад конкретных типов клеток, путей и генов. Исследование показало, что irAEGIS стабильно превосходит семь существующих методов как на симулированных данных, так и на независимых когортах пациентов до начала лечения. В когорте пациентов с немелкоклеточным раком легкого модель выявила нейтрофильные воспалительные пути, связанные с будущими irAE, а в когорте с меланомой — апоптотические пути и активацию иммунитета в CD8+ NKT-подобных клетках, ассоциированные с тяжелыми формами осложнений. Эти биологически согласованные находки были дополнительно подтверждены анализом обогащения путей, межклеточной коммуникации и траекторного анализа. Разработанный подход обеспечивает не только высокую точность предсказания, но и механистическое понимание иммунных состояний, предлагая универсальную стратегию интерпретируемого предсказания фенотипов из данных одноядерной транскриптомики.