В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из группы Хуана А.Г. Ранеа представляют новый подход к прогнозированию генной компенсации — явления, при котором потеря функции одного гена частично или полностью восполняется другими генами, что критически важно для понимания тяжести наследственных заболеваний и разработки таргетной терапии. Авторы (Федерико Гарсия-Криадо, Хесус Перес-Гарсия, Елена Рохано, Педро Сеоане-Зонхик) применили методы графовых эмбеддингов (graph embedding) для анализа биологических сетей взаимодействий белков и генетических данных. Методология включала построение гетерогенных графов, объединяющих данные о белково-белковых взаимодействиях, экспрессии генов и фенотипических ассоциациях, с последующим обучением моделей машинного обучения (включая node2vec и вариационные графовые автоэнкодеры) для предсказания компенсаторного потенциала генов. Ключевые результаты показали, что предложенный подход достигает AUC 0.87 на валидационных наборах данных, что значительно превосходит традиционные методы на основе гомологии (AUC 0.71) и случайного леса с ручными признаками (AUC 0.78). Модель успешно идентифицировала известные компенсаторные пары генов при таких заболеваниях, как муковисцидоз и мышечная дистрофия, а также предсказала новые кандидатные гены-компенсаторы, требующие экспериментальной проверки. Практическая значимость работы заключается в возможности более точной оценки патогенности генетических вариантов, улучшения генетического консультирования и выявления новых терапевтических мишеней для редких наследственных болезней. Исследование демонстрирует, что графовые методы глубокого обучения способны улавливать сложные топологические закономерности в биологических сетях, недоступные классическим статистическим подходам.