В статье исследуется критическая проблема валидации моделей искусственного интеллекта для предсказания синтетической летальности генов: разрыв между показателями на стандартных бенчмарках и реальной эффективностью в экспериментальных скринингах. Авторы анализируют влияние смещения выборки (sampling bias), связанного со степенью узлов в графах взаимодействий, на метрики качества моделей SLMGAE, GCATSL, GRSMF и SL2MF. Замена случайных негативных примеров на тестовой выборке на степень-сопоставимые привела к резкому падению AUROC для большинства моделей (например, с 0.782 до 0.501 для SLMGAE), что указывает на искусственное завышение их дискриминационной способности в обычных условиях. Однако ключевой вывод заключается в эмпирической диссоциации: модель SLMGAE, показавшая почти случайный результат на скорректированном бенчмарке, успешно извлекла 21 истинный хит в экспериментальных пулах SPIDR при ожидаемых 8, что дает обогащение в 2.62 раза. Это доказывает, что модель может иметь низкую оценку на контролируемом тесте, но сохранять высокую практическую полезность для приоритизации мишеней в биологических экспериментах. Исследование также выявило ограничения в других клеточных линиях (HAP1, SCHEMATIC) из-за недостаточного покрытия данных. Представленный открытый набор инструментов оценки позволяет измерять как дискриминационную способность, так и пригодность для экспериментального поиска, что важно для развития надежных ИИ-систем в биомедицине.