В статье представлена PSICHIC+, новая базовая модель искусственного интеллекта, предназначенная для предсказания распределений сродства связывания лигандов с белками непосредственно из их последовательностей. Модель обучена на массиве из примерно 82 миллионов записей о взаимодействии белок-лиганд, используя распределительную целевую функцию, которая сохраняет количественное разрешение и учитывает вариативность надежности исходных данных. PSICHIC+ способна предсказывать аффинность связывания за миллисекунды, что делает её крайне эффективной для высокоскоростного виртуального скрининга. В бенчмарках нулевого обучения (zero-shot), не требующих дообучения на данных конкретной мишени, модель демонстрирует лучшее обогащение активных соединений по сравнению с традиционными методами регрессии и классификации, конкурируя с ведущими методами, основанными на структурных данных. В лабораторных кампаниях с использованием итеративного подхода (lab-in-the-loop) распределительное руководство улучшило выявление высокоактивных соединений в рамках фиксированных бюджетов скрининга. Комбинация PSICHIC+ с моделью Boltz-2 позволила улучшить предсказание аффинности на этапе оптимизации от хита к лид-кандидату, достигая средней корреляции, близкой к результатам метода FEP+, но без необходимости использования высокодетализированных структур белков. Результаты подтверждают, что распределительное обучение является масштабируемым подходом к использованию гетерогенных данных биологической активности для ускорения открытия лекарств.