В статье представлен AnnFlux — новый метод на основе нейронных стохастических дифференциальных уравнений (SDE), который моделирует динамику клеточных популяций в ответ на генетические и химические вмешательства (возмущения). В отличие от большинства существующих моделей, которые учат статическое отображение между возмущением и конечным состоянием клеток, AnnFlux обучает дрейфовое поле в латентном пространстве клеточных состояний, учитывая временную эволюцию и комбинаторные эффекты возмущений. Ключевая особенность — объектно-обусловленное conditioning: модель позволяет запрашивать дрейф для каждого отдельного возмущающего объекта (гена или лекарства), что делает дрейфы сопоставимыми между разными генами и препаратами. Метод продемонстрировал способность интерполировать пропущенный временной шаг в тайм-курсе эпителиально-мезенхимального перехода и предсказывать ответы на невиданные ранее возмущения. Кроме того, AnnFlux улучшает точность распределения (distributional fidelity) и предсказывает ответы на комбинации возмущений, которые не встречались в обучающих данных. В независимом пан-раковом пространственном атласе предсказанный AnnFlux IFN-сигнатурный ответ был ассоциирован с близостью к TLS (третичным лимфоидным структурам), что подтверждает биологическую значимость предсказаний. Предложенная структура позволяет отображать эволюцию клеточных состояний как непрерывные траектории и представлять невиданные возмущения с помощью эмбеддингов на основе предварительных знаний. Работа имеет прямое отношение к применению ИИ в медицине, особенно в области персонализированной медицины и понимания механизмов действия лекарств.