Η πρόβλεψη της συγγένειας δέσμευσης μεταξύ φαρμάκων και πρωτεϊνών αποτελεί ακρογωνιαίο λίθο στην ανακάλυψη νέων θεραπειών. Η παρούσα μελέτη αξιοποιεί προηγμένες μεθόδους βαθιάς μάθησης για την αποτελεσματική αναζήτηση ουσιών σε μεγάλες βάσεις δεδομένων, στοχεύοντας στην επαναστόχευση φαρμάκων (drug repurposing). Για την υλοποίηση του μοντέλου, χρησιμοποιήθηκε ένας μετασχηματιστής (transformer) για την κωδικοποίηση των φαρμάκων και ένα συνελικτικό νευρωνικό δίκτυο (CNN) για τις πρωτεΐνες. Τα δεδομένα αυτά εισήχθησαν σε ένα πολυεπίπεδο νευρωνικό δίκτυο (MLP) που προβλέπει τη δύναμη της αλληλεπίδρασης. Το μοντέλο εφαρμόστηκε στην πρωτεΐνη SOD1, η οποία σχετίζεται άμεσα με την αμυοτροφική πλαγία σκλήρυνση (ALS). Η έρευνα εντόπισε στο Drug Repurposing Hub ουσίες με υψηλή προβλεπόμενη συγγένεια, ορισμένες από τις οποίες συνδέονται ήδη βιβλιογραφικά με τη νόσο, επιβεβαιώνοντας την αξιοπιστία της μεθόδου. Η προσέγγιση αυτή επιτρέπει τον ταχύ διαλογισμό εκατομμυρίων ενώσεων (high-throughput screening), μειώνοντας δραστικά το κόστος και τον χρόνο που απαιτούνται για την εύρεση νέων υποψήφιων φαρμάκων πριν από τις εργαστηριακές δοκιμές.