Konventionelle Deep-Learning-Methoden verwenden in der Regel überwachtes Lernen zur Vorhersage von Drogenantworten (Drug Response Prediction, DRP). Dies bedeutet eine Abhängigkeit von etikettierten Antwortdaten aus Drogen für das Modelltraining. In der praxisnahen Anwendung jedoch fordert die präklinische Drogenscreening-Phase, dass DRP-Modelle Antworten auf neue Verbindungen vorhersagen können, deren Wirkung oft unbekannt ist. Dies stellt eine Herausforderung dar und macht überwachte Deep-Learning-Methoden für solche Szenarien ungeeignet. In dieser Arbeit schlagen wir eine Lösung mit Zero-Shot-Lernen für die DRP-Aufgabe im präklinischen Drogenscreening vor. Insbesondere schlagen wir ein Mehrfachverzweigtes Mehrfachquellen-Domänenanpassungs-Testverbesserungs-Plugin vor, das als MSDA (Multi-branch Multi-Source Domain Adaptation) bezeichnet wird. MSDA kann nahtlos mit konventionellen DRP-Methoden integriert werden und lernt invariante Merkmale aus den bisherigen Antwortdaten ähnlicher Drogen, um die Echtzeitvorhersagen von nicht etikettierten Verbindungen zu verbessern. Wir führten Experimente mit den Datensätzen GDSCv2 und CellMiner durch. Die Ergebnisse zeigen, dass MSDA die Drogenantworten für neue Verbindungen effizient vorhersagt und zu einer allgemeinen Leistungssteigerung von 5-10 % in der präklinischen Drogenscreening-Phase führt. Die Bedeutung dieser Lösung liegt in ihrem Potenzial, den Prozess der Arzneimittelfindung zu beschleunigen, die Bewertung von Arzneimittelkandidaten zu verbessern und den Erfolg der Arzneimittelfindung zu fördern.