Dette er faktisk helt sprøtt Siden AI kom ut, har alle modeller for biologi hatt samme begrensning: tren den på én sykdom, den fungerer bare på den sykdommen. Trener på nytt for nye medisiner, pasienter eller vev. Det grunnleggende modellløftet for biologi eksisterte i praksis ikke. Null-skudd-forutsigelse var umulig. Inntil nå. Arc Institutes modell (Stack) lærer fra grupper av celler i stedet for én om gangen. slik LLM-er ser ord i en setning og ikke isolert, blir celler kontekst for hverandre. Du kan vise den celler som ble behandlet med et legemiddel, og den forutsier hvor helt forskjellige celler ville respondere på det samme legemidlet. Selv om ingen noen gang hadde kjørt det eksperimentet. selv om det vevet aldri ble forstyrret. selv om den kombinasjonen aldri eksisterte under treningen. cellene selv blir prompter, bare ved slutning. Du kan søke i biologi nå. "Hva ville leverceller gjort hvis jeg ga dem denne kreftmedisinen?" og den svarer med faktiske genuttrykksprediksjoner. Ikke helt perfekt ennå, men godt nok til at den slo eksisterende metoder i 28 av 31 benchmarks (noe som i praksis er uhørt i dette feltet hvor det regnes som bra å slå 60 %. De brukte det til å bygge et virtuelt perturbasjonsatlas: 28 menneskelig vev, 40 celleklasser, 201 legemidler. Ingen lab kreves. Rent i Silico. Da de validerte mot ekte våtlaboratorieeksperimenter, stemte forutsigelsene overens. legemiddeloppdagelse koster for øyeblikket 5 millioner dollar og 2 år per eksperiment som kanskje ikke fungerer. Nå screener du først beregningsmessig. "Hvilke vev vil ha effektene utenfor målet?" "Hvordan vil denne pasientens celler reagere annerledes?" spørsmål som tidligere krevde millioner i tilskudd, trenger nå bare en GPU. Sakte men sikkert løser vi biologi