在以前未見的條件下，例如疾病或對藥物的反應，預測細胞狀態通常需要針對每個新的生物學背景進行重新訓練。今天，Arc 正在推出 Stack，一個基礎模型，能夠在推理時直接學習在新穎條件下模擬細胞狀態，無需微調。

Stack 捕捉到大多數模型所忽略的東西：細胞環境。處於發炎組織中的 T 細胞行為不同，不僅僅是因為它自己的基因，而是因為它的環境。Stack 將細胞一起處理並從這些關係中學習。

正如文本提示引導語言模型，細胞在 Stack 中充當提示。它可以觀察接受藥物處理的免疫細胞，並預測上皮細胞對相同藥物的反應，這是一項從未明確訓練過的任務。這是第一個能夠進行上下文學習的單細胞基礎模型，或在推理過程中對新任務進行概括。

團隊應用 Stack 建立了 Perturb Sapiens：一個包含約 20,000 種預測細胞反應的圖譜，涵蓋 28 種組織和 201 種擾動 + 一個使用保留數據集驗證的子集，確認預測捕捉了真實的生物學。