Исследователи представляют MUTUAL (MUltiome Transfer in a Unified Aligned Latent space) — фундаментальную модель на основе искусственного интеллекта, предназначенную для интеграции данных одиночных клеток (single-cell) из разных модальностей: транскриптомики (экспрессия генов) и эпигеномики (доступность хроматина). В отличие от традиционных методов, требующих настройки модели под каждое конкретное исследование, MUTUAL использует предварительно обученные и замороженные фундаментальные модели scFoundation и EpiAgent, извлекая из них эмбеддинги. Затем алгоритм обучается на общем латентном пространстве RNA-ATAC с использованием 3,0 миллионов парных клеток, полученных из 400 публичных мультиомных наборов данных. При тестировании на десяти независимых наборах данных, не участвовавших в обучении, модель продемонстрировала высокую точность: она сопоставляла профили РНК и АТК более точно, чем методы, обученные на других донорах из того же набора, а также точнее аннотировала клетки, имеющие только данные по хроматину. Ключевым достижением стала способность модели переносить активность мотивов транскрипционных факторов из данных по хроматину в данные только по РНК, превосходя стандартные методы аннотации типов клеток. В исследовании созревания островков поджелудочной железы, полученных из стволовых клеток, предсказанная на основе РНК активность мотивов точно воспроизвела измеренные этапные изменения, что подтверждает биологическую валидность подхода. Модель делает публичные мультиомные данные напрямую доступными для исследований, использующих только одну модальность, значительно расширяя возможности анализа без необходимости дорогостоящего получения парных данных для каждого нового эксперимента.