В статье представлена новая вычислительная платформа на основе множественного обучения (Multiple Instance Learning, MIL) для прогнозирования ответа на иммунотерапию рака по данным одноклеточного секвенирования РНК. Авторы решают ключевые проблемы анализа таких данных: наличие меток на уровне пациента, сильный дисбаланс классов и гетерогенность состояний макрофагов. Предложенная архитектура рассматривает каждого пациента как «мешок» эмбеддингов макрофагов, полученных с помощью фундаментальной модели одноклеточной РНК. В основе лежит механизм внимания с пониженной сложностью, усиленной регуляризацией (dropout) и явными штрафами на внимание для повышения устойчивости при малых выборках. Для борьбы с дисбалансом классов используется комбинированная функция потерь: фокальная потеря и контролируемый контрастивный критерий, которые одновременно улучшают разделение классов и кластеризацию представлений. На трех наборах данных по раку предложенный подход превосходит псевдобалковые агрегации, базовые эмбеддинги и стандартные варианты MIL. Анализ атрибуции внимания и регуляции транскрипции выявил различные программы макрофагов: интерфероновые и антигенпрезентирующие сети у responders, а гипоксические регуляторные модули — у non-responders. Работа демонстрирует потенциал MIL для выявления предсказательных и механистически интерпретируемых иммунных состояний, что может улучшить персонализацию иммунотерапии.