questo è davvero pazzesco da quando è uscito l'AI, ogni modello per la biologia ha avuto la stessa limitazione: addestralo su una malattia, funziona solo su quella malattia. riaddestralo per qualsiasi nuovo farmaco, paziente o tessuto. la promessa del modello fondamentale per la biologia praticamente non esisteva. la previsione zero-shot era impossibile. fino ad ora. Il modello dell'Arc Institute (Stack) impara da gruppi di cellule invece che una alla volta. proprio come i LLM vedono le parole in una frase e non in isolamento, le cellule diventano contesto l'una per l'altra. puoi mostrargli cellule trattate con un farmaco e prevede come cellule completamente diverse risponderebbero a quello stesso farmaco. anche se nessuno ha mai eseguito quell'esperimento. anche se quel tessuto non è mai stato perturbato. anche se quella combinazione non è mai esistita nell'addestramento. le cellule stesse diventano prompt, solo dall'inferenza. ora puoi interrogare la biologia. "cosa farebbero le cellule epatiche se gli dessi questo farmaco per il cancro?" e risponde con previsioni reali di espressione genica. non perfettamente ancora, ma abbastanza bene da battere i metodi esistenti in 28 su 31 benchmark (praticamente inedito in questo campo dove battere il 60% è considerato buono). l'hanno usato per costruire un atlante di perturbazione virtuale: 28 tessuti umani, 40 classi di cellule, 201 farmaci. nessun laboratorio richiesto. puramente in silico. quando hanno convalidato contro esperimenti reali in laboratorio, le previsioni corrispondevano. la scoperta di farmaci attualmente costa oltre 5 milioni di dollari e 2 anni per esperimento che potrebbe non funzionare. ora puoi fare uno screening computazionale prima. "quali tessuti avranno effetti off-target?" "come risponderanno diversamente le cellule di questo paziente?" domande che prima richiedevano milioni in sovvenzioni ora necessitano solo di una GPU. piano piano stiamo risolvendo la biologia.