das ist tatsächlich verrückt seit AI herausgekommen ist, hatte jedes Modell für Biologie die gleiche Einschränkung: trainiere es auf eine Krankheit, es funktioniert nur bei dieser Krankheit. für jedes neue Medikament, jeden Patienten oder jedes Gewebe neu trainieren. das Versprechen des grundlegenden Modells für die Biologie existierte praktisch nicht. Zero-Shot-Vorhersage war unmöglich. bis jetzt. Das Modell des Arc Institute (Stack) lernt von Zellgruppen anstatt von einer einzelnen Zelle. so wie LLMs Wörter in einem Satz sehen und nicht isoliert, werden Zellen zu Kontext für einander. man kann ihm Zellen zeigen, die mit einem Medikament behandelt wurden, und es sagt voraus, wie völlig unterschiedliche Zellen auf dasselbe Medikament reagieren würden. selbst wenn niemand jemals dieses Experiment durchgeführt hat. selbst wenn dieses Gewebe nie gestört wurde. selbst wenn diese Kombination nie im Training existierte. Zellen selbst werden zu Eingaben, nur durch Inferenz. man kann jetzt Biologie abfragen. "Was würden Leberzellen tun, wenn ich ihnen dieses Krebsmedikament gebe?" und es antwortet mit tatsächlichen Vorhersagen zur Genexpression. noch nicht perfekt, aber gut genug, dass es bestehende Methoden in 28 von 31 Benchmarks übertroffen hat (praktisch unerhört in diesem Bereich, wo 60% als gut angesehen werden). sie haben es verwendet, um ein virtuelles Perturbationsatlas zu erstellen: 28 menschliche Gewebe, 40 Zellklassen, 201 Medikamente. kein Labor erforderlich. rein in silico. als sie gegen echte Wet-Lab-Experimente validierten, stimmten die Vorhersagen überein. die Medikamentenentwicklung kostet derzeit über 5 Millionen Dollar und 2 Jahre pro Experiment, das möglicherweise nicht funktioniert. jetzt screenen Sie zuerst rechnerisch. "Welche Gewebe werden Off-Target-Effekte haben?" "Wie werden die Zellen dieses Patienten unterschiedlich reagieren?" Fragen, die früher Millionen an Fördermitteln erforderten, benötigen jetzt nur noch eine GPU. langsam aber sicher lösen wir die Biologie.