Les méthodes de deep learning conventionnelles utilisent généralement l'apprentissage supervisé pour prédire la réponse aux médicaments (DRP). Cela implique une dépendance aux données de réponse étiquetées provenant des médicaments pour l'entraînement du modèle. Cependant, les applications pratiques dans la phase de criblage préclinique exigent que les modèles DRP prédise la réponse à de nouveaux composés, souvent avec des réponses inconnues. Cette situation pose un défi, rendant les méthodes d'apprentissage profond supervisées inadaptées à ces scénarios. Dans cet article, nous proposons une solution d'apprentissage par zéro-shot pour la tâche DRP lors du criblage préclinique. Plus précisément, nous présentons un plug-in d'amélioration des tests d'adaptation de domaine multi-branche et multi-source, appelé MSDA. MSDA peut être intégré sans heurts aux méthodes DRP conventionnelles, en apprenant des caractéristiques invariantes à partir des données de réponse antérieures de médicaments similaires pour améliorer les prédictions en temps réel des composés non étiquetés. Nous avons mené des expériences en utilisant les jeux de données GDSCv2 et CellMiner. Les résultats montrent que MSDA prédit efficacement la réponse aux médicaments pour de nouveaux composés, entraînant une amélioration générale des performances de 5 à 10 % dans la phase de criblage préclinique. L'importance de cette solution réside dans son potentiel à accélérer le processus de découverte de médicaments, à améliorer l'évaluation des candidats médicamenteux et à faciliter le succès de la découverte de médicaments.