Å forutsi celletilstand i tidligere usette tilstander som sykdom eller som respons på et legemiddel, har vanligvis krevd omtrening for hver nye biologiske kontekst. I dag lanserer Arc Stack, en grunnmodell som lærer å simulere celletilstand under nye forhold direkte ved inferenstidspunkt, uten behov for finjustering.

Stack fanger opp noe de fleste modeller overser: cellulær kontekst. En T-celle i betent vev oppfører seg annerledes, ikke bare på grunn av sine egne gener, men også på grunn av sitt miljø. Stabler celler sammen og lærer av disse relasjonene.

Akkurat som tekstprompts veileder språkmodeller, fungerer celler som prompts i Stack. Den kan observere immunceller behandlet med legemidler og forutsi hvordan epitelceller vil respondere på samme legemiddel, en oppgave som aldri eksplisitt er trent for. Det er den første enkeltcellebaserte grunnlagsmodellen som kan lære i kontekst, altså generalisere til nye oppgaver under slutning.

Teamet brukte Stack for å bygge Perturb Sapiens: Et atlas over ~20 000 predikerte celleresponser på tvers av 28 vev og 201 perturbasjoner + et delsett validert med holdte datasett, som bekreftet at prediksjoner fanger ekte biologi.