Predecir el estado celular en condiciones previamente no vistas, como enfermedades o en respuesta a un fármaco, ha requerido típicamente un nuevo entrenamiento para cada nuevo contexto biológico. Hoy, Arc está lanzando Stack, un modelo base que aprende a simular el estado celular bajo condiciones novedosas directamente en el momento de la inferencia, sin necesidad de ajuste fino.

Stack captura algo que la mayoría de los modelos pasan por alto: el contexto celular. Una célula T en tejido inflamado se comporta de manera diferente, no solo por sus propios genes, sino también por su entorno. Stack procesa las células juntas y aprende de esas relaciones.

Así como los mensajes de texto guían a los modelos de lenguaje, las células sirven como mensajes en Stack. Puede observar células inmunitarias tratadas con medicamentos y predecir cómo responderían las células epiteliales al mismo medicamento, una tarea para la cual nunca se entrenó explícitamente. Es el primer modelo de base de célula única capaz de aprendizaje en contexto, o de generalizar a nuevas tareas durante la inferencia.

El equipo aplicó Stack para construir Perturb Sapiens: un atlas de ~20,000 respuestas celulares predichas en 28 tejidos y 201 perturbaciones + un subconjunto validado utilizando conjuntos de datos reservados, confirmando que las predicciones capturan la biología real.