В статье представлен метод SPaRTA (Spatial Reasoning in Text-to-SQL for Omics Analysis), который использует большие языковые модели (LLM) для преобразования естественного языка в исполняемые SQL-запросы к базам данных пространственной омики. Технология решает проблему сложности доступа к высокоразрешающим картам транскриптомной, протеомной и метаболомной активности тканей, позволяя исследователям без навыков программирования формулировать запросы на естественном языке. Авторы создали набор данных SPaRTA-Bench, включающий схемы баз данных, конвенции запросов и 7500 пар «вопрос-SQL», валидированных с помощью LLM и экспертов, охватывающих образцы тканей при раке молочной железы, поджелудочной железы и меланоме. Эксперименты показали, что открытые модели (Llama, Mistral, Qwen, Gemma, Phi) достигают точности выполнения от 10% до 40% в режиме zero-shot, а с использованием обратной связи по рассуждениям и выполнению — до 61%. После дообучения (fine-tuning) точность моделей повысилась до 63–77%, при этом они сохранили устойчивость к новым типам тканей, потеряв не более 6 процентных пунктов. Исследование выявило 15 специфических режимов отказа, когда запрос выполняется корректно, но возвращает неверный ответ, что указывает на необходимость улучшения семантического понимания контекста. Разработанный интерфейс значительно демократизирует доступ к сложным биомедицинским данным, ускоряя исследования в онкологии и патоморфологии.