Det här är faktiskt galet sedan AI kom ut har varje modell för biologi haft samma begränsning: träna den på en sjukdom, den fungerar bara på den sjukdomen. Omträna för nya läkemedel, patienter eller vävnader. Det grundläggande löftet om biologi fanns i princip inte. Nollskottsprognos var omöjlig. Tills nu. Arc Institutes modell (Stack) lär sig från grupper av celler istället för en i taget. på samma sätt som LLM:er ser ord i en mening och inte isolerat, blir celler kontext för varandra. Du kan visa den celler som behandlats med ett läkemedel, och den förutspår hur helt olika celler skulle svara på samma läkemedel. Även om ingen någonsin genomförde det experimentet. även om den vävnaden aldrig stördes. även om den kombinationen aldrig existerade under träningen. Cellerna själva blir prompts, bara genom att dra slutsatser. Du kan söka efter biologi nu. "Vad skulle leverceller göra om jag gav dem detta cancerläkemedel?" och den svarar med faktiska genuttrycksprognoser. Inte perfekt än, men tillräckligt bra för att slå befintliga metoder i 28 av 31 riktmärken (i princip otänkbart inom detta område där det anses vara bra att slå 60%). De använde den för att bygga en virtuell störningsatlas: 28 mänskliga vävnader, 40 cellklasser, 201 läkemedel. Inget labb krävs. Helt i silico. När de validerade mot verkliga våtlaboratorieexperiment stämde förutsägelserna överens. Läkemedelsupptäckt kostar för närvarande 5 miljoner dollar och 2 år per experiment som kanske inte fungerar. Nu screenar du först beräkningsmässigt. "Vilka vävnader kommer att ha fela effekter?" "Hur kommer patientens celler att reagera annorlunda?" frågor som tidigare krävde miljoner i bidrag behöver nu bara en GPU. Sakta men säkert löser vi biologin