Este artículo presenta un novedoso método de preentrenamiento que considera cambios estructurales dependientes del solvente y el aprendizaje conjunto de múltiples tareas correlacionadas para mejorar la precisión de la predicción de la interacción proteína-ligando. Utilizando un conjunto de estructuras de ligando generadas bajo diversas condiciones de solvente como entrada aumentada, integramos la flexibilidad estructural y el contexto ambiental para el aprendizaje. Integramos la reconstrucción molecular, la predicción de la distancia interatómica y el aprendizaje contrastivo para construir una representación molecular invariante al solvente. Como resultado, demostramos un mejor rendimiento en la predicción de la afinidad de unión (mejora del 3,7 %), la prueba de acoplamiento PoseBusters Astex (tasa de éxito del 82 %) y el cribado virtual (AUC del 97,1 %), alcanzando una desviación cuadrática media (RMSD) de 0,157 angstroms, lo que proporciona información sobre los mecanismos de unión a nivel atómico.
