يُعد فشل الأدوية أثناء الإجراءات التجريبية نتيجة لانخفاض النشاط الحيوي تحديًا كبيرًا. ولتقليل هذا الخطر وتعزيز نشاط المركبات الحيوي، يُعد التنبؤ بفئات النشاط الحيوي أثناء عملية تطوير المرشحات أمرًا ضروريًا. وقد أبرزت الدراسات الحالية المتعلقة بعلاقة البنية والنشاط الترابط بين البنية الكيميائية للمركبات ونشاطها الحيوي. ومع ذلك، غالبًا ما تتجاهل هذه الدراسات العلاقة المعقدة بين الأدوية ونشاطها الحيوي، التي تشمل عوامل متعددة تتجاوز البنية الكيميائية وحدها. ولحل هذه المشكلة، نقترح نموذج BioAct-Het، الذي يستخدم شبكة عصبية سايميزية غير متجانسة لتمثيل العلاقة المعقدة بين الأدوية وفئات النشاط الحيوي، وتحويلها إلى فضاء خفي موحد. وبشكل خاص، نقدّم تمثيلًا جديدًا لفئات النشاط الحيوي يُسمى Bio-Prof، ونُحسّن مجموعات البيانات الأصلية للنشاط الحيوي للتعامل مع مشكلة نقص البيانات. وقد أدى هذا النهج المبتكر إلى تفوق نموذجنا على النماذج السابقة. وتُجرى تقييمات نموذج BioAct-Het من خلال ثلاث استراتيجيات متميزة: الاستراتيجية القائمة على الارتباط، والاستراتيجية القائمة على فئة النشاط الحيوي، والاستراتيجية القائمة على المركب. حيث تستخدم الاستراتيجية القائمة على الارتباط التعلم المراقب للتصنيف، بينما تعتمد الاستراتيجية القائمة على فئة النشاط الحيوي منهجية تقييم الدراسة الاستقصائية. من ناحية أخرى، تُظهر الاستراتيجية القائمة على المركب تشابهًا مفاهيميًا مع مفهوم التعلم التجريبي (meta-learning). علاوة على ذلك، يتم تحليل فعالية النموذج في معالجة المشكلات الواقعية من خلال دراسة حالة تتعلق بتطبيق الفانكومايسين والأوزيلتاميفير في علاج مرضى كوفيد-19، وكذلك تقييم الفعالية المحتملة لمولنوبيرافير في علاج مرضى كوفيد-19. وتتوفر البيانات والكود الأساسيان لهذا المقال على منصة GitHub عبر الرابط: https://github.com/CBRC-lab/BioAct-Het. ومع ذلك، تم استخلاص مجموعات البيانات من مصادر متاحة للعامة.