Prever o estado celular em condições previamente desconhecidas, como doenças ou em resposta a um medicamento, normalmente exigia re-treinamento para cada novo contexto biológico. Hoje, a Arc está lançando o Stack, um modelo base que aprende a simular o estado celular sob condições novas diretamente no momento da inferência, sem necessidade de ajuste fino.

O Stack captura algo que a maioria dos modelos perde: o contexto celular. Uma célula T em tecido inflamado comporta-se de forma diferente, não apenas por causa dos seus próprios genes, mas também por causa do seu ambiente. O Stack processa células juntas e aprende com essas relações.

Assim como os prompts de texto orientam os modelos de linguagem, as células servem como prompts no Stack. Ele pode observar células imunes tratadas com medicamentos e prever como as células epiteliais responderiam ao mesmo medicamento, uma tarefa nunca explicitamente treinada. É o primeiro modelo de fundação de célula única capaz de aprendizado em contexto, ou de generalizar para novas tarefas durante a inferência.

A equipa aplicou o Stack para construir o Perturb Sapiens: Um atlas de ~20.000 respostas celulares previstas em 28 tecidos e 201 perturbações + um subconjunto validado usando conjuntos de dados reservados, confirmando que as previsões capturam a biologia real.