Att förutsäga celltillstånd i tidigare osedda tillstånd som sjukdom eller som svar på ett läkemedel har vanligtvis krävt omträning för varje nytt biologiskt sammanhang. Idag släpper Arc Stack, en grundmodell som lär sig att simulera celltillstånd under nya förhållanden direkt vid inferenstidpunkten, utan att behöva finjustera.

Stack fångar något som de flesta modeller missar: cellulärt sammanhang. En T-cell i inflammerad vävnad beter sig annorlunda, inte bara på grund av sina egna gener, utan också på grund av sin omgivning. Stackar celler tillsammans och lär sig av dessa relationer.

Precis som textpromptar styr språkmodeller, fungerar celler som promptar i Stack. Den kan observera läkemedelsbehandlade immunceller och förutsäga hur epitelceller skulle reagera på samma läkemedel, en uppgift som aldrig uttryckligen tränats för. Det är den första encellsmodellen som kan lära sig i kontext, eller generalisera till nya uppgifter under inferensen.

Teamet använde Stack för att bygga Perturb Sapiens: En atlas över ~20 000 förutsagda cellresponser över 28 vävnader och 201 störningar + en delmängd validerad med hållna dataset, vilket bekräftade att prediktioner fångar verklig biologi.