Prever o estado celular em condições antes desconhecidas, como doenças ou em resposta a um medicamento, normalmente exigiu reeducação para cada novo contexto biológico. Hoje, a Arc está lançando o Stack, um modelo fundamental que aprende a simular o estado da célula sob condições novas diretamente no momento da inferência, sem necessidade de ajuste fino.

O Stack captura algo que a maioria dos modelos deixa passar: contexto celular. Uma célula T em tecido inflamado se comporta de forma diferente, não apenas por causa de seus próprios genes, mas também por causa do ambiente. Empilhe células e aprende com essas relações.

Assim como prompts de texto guiam modelos de linguagem, células servem como prompts no Stack. Ele pode observar células imunes tratadas com medicamentos e prever como as células epiteliais responderiam ao mesmo medicamento, uma tarefa nunca explicitamente treinada para isso. É o primeiro modelo de fundação de célula única capaz de aprender em contexto, ou generalizar para novas tarefas durante a inferência.

A equipe aplicou o Stack para construir o Perturb Sapiens: Um atlas de ~20.000 respostas celulares previstas em 28 tecidos & 201 perturbações + um subconjunto validado usando conjuntos de dados guardados, confirmando que as previsões capturam biologia real.