Les réponses cellulaires aux perturbations sont un pilier pour comprendre les mécanismes biologiques et sélectionner des cibles thérapeutiques potentielles. Bien que les modèles computationnels offrent un potentiel considérable pour prédire les effets des perturbations par rapport aux approches expérimentales, ils peinent actuellement à généraliser ces effets à partir des contextes cellulaires observés expérimentalement vers des contextes non observés. Dans cet article, nous présentons State, une architecture d'apprentissage automatique qui prédit les effets des perturbations tout en tenant compte de l'hétérogénéité cellulaire au sein et entre les expériences de perturbation. State opère à travers différentes échelles physiques : il se compose d'un modèle de transition d'état qui apprend les effets des perturbations sur des ensembles de cellules en utilisant des données provenant de plus de 100 millions de cellules perturbées dans 70 contextes cellulaires, et d'un modèle d'embedding cellulaire formé sur des données observationnelles de cellules uniques issues de 167 millions de cellules humaines. State a amélioré la discrimination des effets des perturbations sur plusieurs grands ensembles de données de plus de 50 % et a identifié avec une précision supérieure à deux fois celle des modèles existants les gènes différenciellement exprimés authentiques à travers les perturbations génétiques, signalétiques et chimiques. Grâce à son modèle d'embedding, State peut également identifier des perturbations importantes dans des contextes cellulaires nouveaux où aucune perturbation n'a été observée lors de l'entraînement. Nous introduisons également Cell-Eval, un cadre d'évaluation complet utilisant des métriques biologiquement pertinentes qui met en lumière comment State permet une découverte plus précise des réponses aux perturbations spécifiques aux types cellulaires, telles que celles liées à la survie cellulaire. Dans l'ensemble, les performances et la flexibilité de State posent les bases pour l'évolution du développement de modèles virtuels cellulaires.