実験的手順中に低生物活性による薬剤の失敗は、大きな課題を呈している。このリスクを軽減し、化合物の生物活性を向上させるためには、リード最適化段階で生物活性クラスを予測することが不可欠である。既存の構造-活性相関に関する研究は、化合物の化学構造とその生物活性との関連性を明らかにしてきた。しかし、これらの研究は、化学構造以外の多様な要因を含む薬剤と生物活性との複雑な関係を無視しがちである。この問題に対処するため、本研究では、異種シメイズニューラルネットワークを用いて薬剤と生物活性クラス間の複雑な関係をモデル化し、それらを統一された潜在空間に埋め込む「BioAct-Het」モデルを提案する。特に、新たな生物活性クラス表現として「Bio-Prof」を導入し、データ不足の問題に対処するため、元の生物活性データセットを拡張した。これらの革新的なアプローチにより、本モデルは従来の手法を上回る性能を発揮した。BioAct-Hetの評価は、3つの異なる戦略に基づいて実施された：関連性ベース、生物活性クラスベース、化合物ベース。関連性ベース戦略では教師あり学習による分類を用い、生物活性クラスベース戦略では後向き研究評価アプローチを採用した。一方、化合物ベース戦略はメタラーニングの概念に類似している。さらに、vancomycinおよびoseltamivirをCOVID-19治療に応用する事例と、molnupiravirのCOVID-19患者に対する潜在的有効性に関する実際の問題への適用を通じて、モデルの実用性を検証した。本論文の背後にあるデータおよびコードは、https://github.com/CBRC-lab/BioAct-Het にて公開されているが、データセットはすべて公開領域からの出典である。