تستخدم الطرق التقليدية للتعلم العميق عادةً التعلم الإشرافي لتنبؤ استجابة الأدوية (DRP). وهذا يعني الاعتماد على بيانات الاستجابة المصنفة للأدوية لتدريب النماذج. ومع ذلك، تتطلب التطبيقات العملية في مرحلة فحص الأدوية ما قبل السريرية أن تتنبأ نماذج DRP باستجابات لمركبات جديدة، غالباً ذات استجابات غير معروفة. وهذا يشكل تحدياً، يجعل من الطرق التقليدية للتعلم العميق غير مناسبة لهذه السيناريوهات. في هذا البحث، نقترح حلاً للتعلم الصفراني (Zero-Shot Learning) لمهمة DRP في فحص الأدوية ما قبل السريرية. وبشكل محدد، نقترح وحدة تعزيز اختبار التكيف بين المجالات متعددة الفروع والمصادر، والتي تُعرف بـMSDA. يمكن دمج MSDA بسلاسة مع الطرق التقليدية لـDRP، حيث يقوم بتعلم الخصائص الثابتة من بيانات الاستجابة السابقة للأدوية المشابهة لتعزيز التنبؤات الفورية للمركبات غير المصنفة. أجرينا التجارب باستخدام قواعد البيانات GDSCv2 وCellMiner. أظهرت النتائج أن MSDA يتوقع استجابات الأدوية بشكل فعال للمركبات الجديدة، مما يؤدي إلى تحسين عام بنسبة 5-10٪ في مرحلة فحص الأدوية ما قبل السريرية. تكمن أهمية هذا الحل في إمكاناته لتسريع عملية اكتشاف الأدوية، تحسين تقييم المرشحين للأدوية، وتسهيل نجاح اكتشاف الدواء.