Memprediksi keadaan sel dalam kondisi yang sebelumnya tidak terlihat seperti penyakit atau sebagai respons terhadap obat biasanya membutuhkan pelatihan ulang untuk setiap konteks biologis baru. Hari ini, Arc merilis Stack, model fondasi yang belajar mensimulasikan keadaan sel dalam kondisi baru secara langsung pada waktu inferensi, tidak perlu penyempurnaan.

Stack menangkap sesuatu yang terlewatkan oleh sebagian besar model: konteks seluler. Sel T dalam jaringan yang meradang berperilaku berbeda, bukan hanya karena gennya sendiri, tetapi karena lingkungannya. Stack memproses sel bersama-sama & belajar dari hubungan tersebut.

Sama seperti perintah teks yang memandu model bahasa, sel berfungsi sebagai petunjuk di Stack. Ini dapat mengamati sel-sel kekebalan yang diobati dengan obat dan memprediksi bagaimana sel epitel akan merespons obat yang sama, sebuah tugas yang tidak pernah dilatih secara eksplisit. Ini adalah model fondasi sel tunggal pertama yang mampu belajar dalam konteks, atau menggeneralisasi ke tugas baru selama inferensi.

Tim menerapkan Stack untuk membangun Perturb Sapiens: Atlas dari ~ 20.000 respons sel yang diprediksi di 28 jaringan & 201 gangguan + subset yang divalidasi menggunakan kumpulan data yang ditahan, mengkonfirmasi bahwa prediksi menangkap biologi nyata.