To je fakt šílené Od chvíle, kdy se objevila umělá inteligence, měl každý biologický model stejné omezení: trénovat ho na jedné nemoci a funguje jen na ní. Přeškolit se na jakýkoli nový lék, pacienta nebo tkáň. Základní modelový příslib biologie v podstatě neexistoval. Předpověď nulových výstřelů byla nemožná. Až doteď. Model Arc Institute (Stack) se učí ze skupin buněk místo po jednou. způsob, jakým LLM vnímají slova ve větě a ne izolovaně, se buňky stávají kontextem jedna pro druhou. Můžete ukázat buňky léčené lékem a předpovědět, jak by na ten samý lék zareagovaly úplně jiné buňky. I kdyby ten experiment nikdo nikdy neprovedl. i když ta tkáň nikdy nebyla narušena. i když tato kombinace nikdy neexistovala během výcviku. buňky samy se stávají podněty, jen z odhadů. Teď můžete vyhledávat biologii. "Co by dělaly jaterní buňky, kdybych jim dal tento lék na rakovinu?" a odpovídá skutečnými předpovědmi genové exprese. Ještě ne dokonale, ale dost na to, aby překonal existující metody v 28 z 31 benchmarků (což je v tomto oboru prakticky nevídané, kde je překonání 60 % považováno za dobré). Použili ho k vytvoření virtuálního atlasu perturbací: 28 lidských tkání, 40 buněčných tříd, 201 léků. Laboratoř není potřeba. čistě v siliku. Když se ověřily proti skutečným experimentům v mokré laboratoři, předpovědi se shodovaly. objevování léku v současnosti stojí 5 milionů dolarů + a dva roky za experiment, který nemusí fungovat. Teď nejprve vypočítávej výpočetní screening. "Které tkáně budou mít nepřesné účinky?" "Jak budou buňky tohoto pacienta reagovat jinak?" otázky, které dříve vyžadovaly miliony grantů, teď potřebují jen GPU. Pomalu, ale jistě řešíme biologii