تحسين كفاءة اكتشاف الأدوية يظل تحديًا أساسيًا وطويل الأمد في مجال اكتشاف الأدوية. ولتحقيق هذا الهدف، تم تطوير العديد من الأساليب القائمة على التعلم الرسومي للبحث عن مرشحات دوائية محتملة بسرعة عالية وتكلفة منخفضة. في الواقع، سعى الباحثون إلى تحقيق أداء تنبؤي عالٍ على عدد محدود من المجموعات البيانات، ما أدى إلى تبلور هياكل هذه الأساليب وقيم معلماتها المسبقة (hyperparameters)، مما جعلها تفقد ميزة التكيف عند تطبيقها على بيانات جديدة تُنشأ في عمليات اكتشاف الأدوية. هنا، نقترح أسلوبًا مرنًا يمكنه التكيف مع أي مجموعة بيانات وتقديم تنبؤات دقيقة. يستخدم الأسلوب المقترح نموذجًا تلقائيًا (adaptive pipeline) لاستخلاص المعرفة من مجموعة البيانات وتقديم نموذج تنبؤي. وبلا تدخل بشري، يحقق الأسلوب المقترح أداءً تنبؤيًا أبعد من الأداء المتفوق على جميع مجموعات البيانات المختبرة مقارنة بالأساليب التقليدية التي تعتمد على هياكل شبكات عصبية مصممة يدويًا وعناصر ثابتة أخرى. علاوةً على ذلك، اكتشفنا أن الأسلوب المقترح أكثر مقاومة (robustness) من الأساليب التقليدية، ويمكنه أيضًا تقديم تفسيرات ذات معنى (interpretability). وبما أن الأسلوب يجمع بين المرونة العالية والأداء العالي والثبات والقدرة على التفسير، فإنه يمكن أن يُعد أداة موثوقة لتنبؤ التفاعلات والخصائص الجزيئية. تمثل هذه الدراسة خطوة جادة نحو هدف مساعدة الباحثين على تصميم أدوية أفضل بكفاءة عالية.