В статье представлен новый вычислительный фреймворк GRAFT, использующий методы глубокого обучения и переноса знаний между модальностями для предсказания транскрипционных ответов клеток на лекарственные препараты. Методология основана на идее, что генетические и химические возмущения затрагивают общие регуляторные сети, что позволяет обучать модель на данных генетических вмешательств и применять её для прогнозирования эффектов химических веществ. GRAFT демонстрирует превосходство над существующими методами по корреляции ответов, направлению изменений и точности восстановления величины эффекта, особенно для препаратов с зависимостью от клеточного контекста. Расширенная версия GRAFT-Adapt способна уточнять прогнозы для неизученных препаратов, используя лишь небольшое количество измерений в целевом контексте. Созданная GRAFT-Atlas охватывает 13 клеточных линий и 7856 препаратов, генерируя более 102 000 предсказаний, что выявляет фармакологические кластеры и структурно-функциональные связи, подтвержденные молекулярным докингом. Исследование также успешно применило метод к 10 линиям iPSC от разных доноров, выявив междонорские различия в ответе на препараты, что открывает перспективы для персонализированной медицины и снижения затрат на доклинические испытания.