Predecir el estado celular en condiciones previamente desconocidas, como enfermedades o en respuesta a un fármaco, normalmente ha requerido reentrenamiento para cada nuevo contexto biológico. Hoy, Arc lanza Stack, un modelo fundamental que aprende a simular el estado celular bajo condiciones novedosas directamente en el momento de la inferencia, sin necesidad de ajustes finos.

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

Así como los prompts de texto guían los modelos de lenguaje, las celdas sirven como prompts en Stack. Puede observar células inmunitarias tratadas con fármacos y predecir cómo responderían las células epiteliales al mismo fármaco, una tarea para la que nunca se entrena explícitamente. Es el primer modelo de fundación de célula única capaz de aprendizaje en contexto, o 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 usando conjuntos de datos ocultos, confirmando que las predicciones capturan biología real.