В статье представлена новая модель SMCL-DTA, предназначенная для предсказания аффинности взаимодействия между лекарственными препаратами и их белковыми мишенями, что является критически важным этапом в процессе открытия новых лекарств. Методология основана на применении поверхностно-ориентированного многовидового контрастного обучения (surface-aware multi-view contrastive learning), которое позволяет эффективно извлекать признаки как из структурных данных лекарств, так и из поверхностных характеристик белков-мишеней. Ключевой инновацией подхода является использование контрастного обучения для улучшения представлений, что способствует более точному моделированию сложных биомолекулярных взаимодействий по сравнению с традиционными методами. Исследование демонстрирует высокую эффективность предложенной архитектуры в задачах регрессии и классификации аффинности, предлагая надежный инструмент для виртуального скрининга и раннего этапа разработки фармакологических агентов. Применение данного ИИ-подхода позволяет существенно сократить время и затраты на предварительный анализ потенциальных лекарственных соединений, автоматизируя процесс оценки их связывающей способности. Результаты работы подчеркивают значимость интеграции геометрических и структурных данных в нейросетевые модели для повышения точности предсказаний в биоинформатике и вычислительной химии. Данная технология может быть интегрирована в платформы компьютерного дизайна лекарств для ускорения идентификации перспективных кандидатов в препараты.