GRouNdGAN est un modèle génératif implicite causal guidé par un réseau de régulation génique (GRN), conçu pour simuler des données de séquençage d'ARN sur cellule unique (scRNA-seq). Il permet des expériences de perturbation in silico, comme l'invalidation génique de facteurs de transcription précis pour observer les réactions des gènes, et sert à évaluer les méthodes d'inférence de GRN. L'outil comble le fossé entre les données simulées et les données biologiques réelles en générant des jeux de données scRNA-seq réalistes où les gènes sont exprimés de manière causale sous le contrôle de leurs facteurs de transcription régulateurs. Il peut synthétiser des cellules sous de nouvelles conditions, permettant des expériences d'invalidation in silico de facteurs de transcription. GRouNdGAN est précieux pour comprendre la régulation des gènes, étudier des maladies comme le cancer où l'expression génique est altérée, et appuyer le développement de médicaments en prédisant les réponses cellulaires aux modifications génétiques.