在以前未见过的条件下，例如疾病或对药物的反应，预测细胞状态通常需要针对每个新的生物学背景进行重新训练。今天，Arc 发布了 Stack，这是一种基础模型，能够在推理时直接学习在新条件下模拟细胞状态，无需微调。

Stack 捕捉到了大多数模型所忽视的东西：细胞环境。处于发炎组织中的 T 细胞表现得不同，不仅仅是因为它自身的基因，还因为它所处的环境。Stack 将细胞一起处理，并从这些关系中学习。

正如文本提示引导语言模型一样，细胞在Stack中充当提示。它可以观察药物处理过的免疫细胞，并预测上皮细胞对同一药物的反应，这是一个从未明确训练过的任务。这是第一个能够进行上下文学习的单细胞基础模型，能够在推理过程中对新任务进行概括。

团队应用 Stack 构建了 Perturb Sapiens：一个包含 ~20,000 个预测细胞反应的图谱，涵盖 28 种组织和 201 种扰动 + 一个使用保留数据集验证的子集，确认预测捕捉到了真实的生物学。