Les données sur l'activité des gènes ressemblent généralement à une longue rangée de chiffres, un peu comme une bande arc-en-ciel (spectroscopie) sans liens visibles. Dans le modèle scVision, ces chiffres sont transformés en une image signifiante — pas une liste d'ingrédients, mais une photo du plat fini. Les gènes sont disposés sur une « carte de recettes » commune : les gènes qui coopèrent sont proches, leur activité est la luminosité, comme lors d'une mesure d'éclairement (photométrie). On obtient une image où les programmes génétiques apparaissent par la texture, comme des couches de pâte.

L'IA visuelle, entraînée sur 72 millions de cellules, sans préparation (n'ayant que l'expérience des photos ordinaires), a surpassé ses concurrents dans la reconnaissance des cellules. Rebondissement inattendu : si l'on mélange les gènes au hasard, la précision chute de façon catastrophique, encore plus que si l'on désactive le modèle lui-même. La disposition signifiante — comme l'agencement des aliments dans une assiette — porte plus d'information que l'algorithme le plus perspicace.