Cet article présente une nouvelle méthode de pré-apprentissage qui prend en compte les changements structurels dépendants du solvant et l'apprentissage conjoint de multiples tâches corrélées afin d'améliorer la précision de la prédiction des interactions protéine-ligand. En utilisant un ensemble de structures de ligands générées dans diverses conditions de solvant comme entrée augmentée, nous intégrons la flexibilité structurelle et le contexte environnemental pour apprendre. Nous intégrons la reconstruction moléculaire, la prédiction de la distance interatomique et l'apprentissage contrastif pour construire une représentation moléculaire invariante du solvant. En conséquence, nous démontrons de meilleures performances dans la prédiction de l'affinité de liaison (amélioration de 3,7 %), le benchmark d'amarrage PoseBusters Astex (taux de réussite de 82 %) et le criblage virtuel (ASC 97,1 %), atteignant un écart quadratique moyen (RMSD) de 0,157 angströms, offrant un aperçu des mécanismes de liaison au niveau atomique.
