thực sự là điên rồ kể từ khi AI ra đời, mọi mô hình sinh học đều có cùng một hạn chế: huấn luyện nó trên một bệnh, nó chỉ hoạt động trên bệnh đó. huấn luyện lại cho bất kỳ loại thuốc, bệnh nhân hoặc mô nào mới. lời hứa về mô hình nền tảng cho sinh học cơ bản là không tồn tại. dự đoán không có ví dụ là không thể. cho đến bây giờ. Mô hình của Viện Arc (Stack) học từ các nhóm tế bào thay vì từng tế bào một. cách mà các LLM nhìn thấy từ trong một câu và không phải trong sự cô lập, các tế bào trở thành ngữ cảnh cho nhau. bạn có thể cho nó xem các tế bào đã được điều trị bằng một loại thuốc, và nó dự đoán cách mà các tế bào hoàn toàn khác sẽ phản ứng với loại thuốc đó. ngay cả khi không ai từng thực hiện thí nghiệm đó. ngay cả khi mô đó chưa bao giờ bị tác động. ngay cả khi sự kết hợp đó chưa bao giờ tồn tại trong quá trình huấn luyện. các tế bào tự chúng trở thành các gợi ý, chỉ từ suy diễn. bạn có thể truy vấn sinh học bây giờ. "các tế bào gan sẽ làm gì nếu tôi cho chúng loại thuốc chống ung thư này?" và nó trả lời với các dự đoán về biểu hiện gen thực tế. chưa hoàn hảo nhưng đủ tốt để đánh bại các phương pháp hiện có trong 28 trên 31 tiêu chuẩn (hầu như chưa từng xảy ra trong lĩnh vực này, nơi mà việc đánh bại 60% được coi là tốt). họ đã sử dụng nó để xây dựng một atlas tác động ảo: 28 mô người, 40 loại tế bào, 201 loại thuốc. không cần phòng thí nghiệm. hoàn toàn trong silico. khi họ xác thực với các thí nghiệm thực tế trong phòng thí nghiệm ướt, các dự đoán khớp nhau. việc phát hiện thuốc hiện tại tốn hơn 5 triệu đô la và 2 năm cho mỗi thí nghiệm có thể không thành công. bây giờ bạn sàng lọc trước bằng cách tính toán. "các mô nào sẽ có tác dụng ngoài mục tiêu?" "các tế bào của bệnh nhân này sẽ phản ứng khác như thế nào?" các câu hỏi trước đây cần hàng triệu đô la trong các khoản tài trợ giờ chỉ cần một GPU. chậm nhưng chắc chắn, chúng ta đang giải quyết sinh học.