В статье представлен MEL-Steered PharmacoNet — метод параметрически эффективной адаптации глубокого обучения (DL) для виртуального скрининга гигамасштабных химических библиотек. Работа решает ключевую проблему стратегии V-SYNTHES: при докинге фрагментов (MEL) лишь небольшая часть сопоставимо хорошо докованных фрагментов может быть развёрнута в полные лиганды из-за фиксированного бюджета вычислений. Авторы предлагают использовать данные начального докинга фрагментов для тонкой настройки модели PharmacoNet, которая предсказывает фармакофорные горячие точки и ранжирует кандидатов через графовое сопоставление. Метод включает два механизма: эмпирическое управление предсказанными горячими точками через карты плотности и тонкую настройку весов типов взаимодействий. На трёх структурно различных GPCR-мишенях (CB2, GPR91, 5-HT2AR) MEL-Steered PharmacoNet достигает улучшения фактора обогащения EF100 по сравнению со стандартным PharmacoNet в 8.94, 6.87 и 1.69 раза соответственно. Подогнанные веса выявляют химически интерпретируемые профили взаимодействий, которые фиксированные веса PharmacoNet не улавливают. Метод не требует дополнительных экспериментальных данных или переобучения модели, сохраняя сверхбыстрый скрининг. Результаты демонстрируют, что данные фрагментного докинга из стандартного конвейера V-SYNTHES могут адаптировать универсальный прескрининг к конкретной мишени, значительно повышая его эффективность.