В статье представлен метод GENESIS (Generative ENErgy-based Single-cell Intervention Simulator) — генеративная модель на базе нейронных сетей, предназначенная для прогнозирования распределений клеточных ответов на различные вмешательства на основе ковариат экспериментальных условий. Модель обучается с использованием энергетического счета (energy score), что позволяет оценивать качество предсказанных распределений напрямую. Исследование проводилось на двух крупных атласах: Tahoe-100M (малые молекулы) и крупном атласе цитокинов PBMC. Результаты показывают, что GENESIS значительно превосходит существующие генеративные модели и статистические базовые линии, достигая точности, близкой к экспериментальной воспроизводимости при повторных измерениях тех же условий. Модель сохраняет высокую точность даже при обучении на небольшой доле доступных экспериментальных условий или клеток, а сгенерированные профили успешно восстанавливают контекстно-зависимые транскрипционные программы, наблюдаемые в экспериментах. Особое значение имеет вывод о том, что для достижения лучшей точности предсказаний выгоднее измерять больше экспериментальных условий (даже с меньшей глубиной профилирования), чем углубленно изучать меньшее их количество. Это предлагает новую стратегию для исследований возмущений: использование широкого, но менее глубокого скрининга в сочетании с ИИ-дополнением разреженно выбранных популяций для предсказания ответов в неизученных условиях.