Predikce stavu buněk v dříve nepozorovaných podmínkách, jako je nemoc nebo reakce na lék, obvykle vyžadovala přeškolení pro každý nový biologický kontext. Dnes Arc vydává Stack, základní model, který se učí simulovat stav buňky za nových podmínek přímo v době inference, bez nutnosti jemného ladění.

Stack zachycuje něco, co většina modelů přehlíží: kontext buněčných zařízení. T buňka v zanícené tkáni se chová jinak, nejen kvůli svým vlastním genům, ale i kvůli svému prostředí. Stack zpracovává buňky dohromady a učí se z těchto vztahů.

Stejně jako textové výzvy řídí jazykové modely, buňky slouží ve Stacku jako výzvy. Dokáže pozorovat imunitní buňky léčené lékem a předpovídat, jak by epitelové buňky reagovaly na stejný lék, což není úkol, na který nikdy explicitně trénován. Je to první model základu s jednou buňkou schopný učení v kontextu, tedy zobecnění na nové úkoly během inference.

Tým aplikoval Stack k vytvoření Perturb Sapiens: atlas ~20 000 předpovězených buněčných odpovědí napříč 28 tkáněmi a 201 perturbacemi + podmnožina ověřená pomocí datových sad z předpokládaných zdrojů, což potvrzuje, že predikce zachycují skutečnou biologii.