Prédire l'état des cellules dans des conditions auparavant inconnues, telles que des maladies ou en réponse à un médicament, a généralement nécessité un nouvel entraînement pour chaque nouveau contexte biologique. Aujourd'hui, Arc lance Stack, un modèle de base qui apprend à simuler l'état des cellules dans des conditions nouvelles directement au moment de l'inférence, sans besoin de réglage fin.

Stack capture quelque chose que la plupart des modèles manquent : le contexte cellulaire. Un lymphocyte T dans un tissu enflammé se comporte différemment, non seulement à cause de ses propres gènes, mais aussi à cause de son environnement. Stack traite les cellules ensemble et apprend de ces relations.

Tout comme les invites textuelles guident les modèles de langage, les cellules servent d'invites dans Stack. Elle peut observer des cellules immunitaires traitées par des médicaments et prédire comment les cellules épithéliales réagiraient au même médicament, une tâche jamais explicitement entraînée. C'est le premier modèle de fondation à cellule unique capable d'apprentissage contextuel, ou de généralisation à de nouvelles tâches lors de l'inférence.

L'équipe a utilisé Stack pour construire Perturb Sapiens : un atlas de ~20 000 réponses cellulaires prédites à travers 28 tissus et 201 perturbations + un sous-ensemble validé à l'aide de jeux de données exclus, confirmant que les prédictions capturent la biologie réelle.