يرسل المختبر إلى الروبوت قائمة بألف جزيء مرشح لدواء جديد. الروبوت المتنبئ، الذي تدرّب على بيانات قديمة، يصدر لكل جزيء تقييمًا "مناسب – غير مناسب". لكن عندما تأتي القائمة من مجال غير مألوف – كفيروس مختلف أو ورم نادر – يبدأ الروبوت في الاختلاط. تظل ثقته عالية بينما تنخفض الإصابات الحقيقية إلى الصفر.

أداة CaliPPer تحل هذه المشكلة دون أي إجابة اختبارية واحدة. تقيس مدى ابتعاد العينة الجديدة عن الأمثلة التدريبية المألوفة – تمامًا كما يقدّر الملاح مدى انحرافك عن الطرق المعروفة. لكل جزيء تُحسب "المسافة إلى المألوف" (S2DD)، وبناءً عليها يقول النموذج بصراحة: "في هذه المنطقة أنا لا أجيد التوجيه، فمن الأفضل ألا تثقوا بتقييماتي".

على عشرة نماذج مختلفة تتنبأ بربط الخلايا المناعية بالأهداف، أظهر CaliPPer ارتباطًا بين المسافة والدقة الفعلية عند مستوى 0.80–0.92 (حيث 1 هو التطابق المثالي). انخفض الخطأ في تقدير الجودة إلى 0.008–0.070. في خمس دراسات حقيقية، حيث لم تجد النماذج العادية أي جزيء عامل (0 من 5)، سمحت إعادة حساب الثقة بتأكيد 3 من 5 – وذلك ببساطة لأن المرشحين المفضّلين كذبيًا خُفّضت درجاتهم، بينما ارتفع المرشحون المتواضعون لكن الموثوقون في الترتيب.

هذه ليست بديلاً عن التجربة، بل مرشح ذكي بين الحاسوب وأنبوب الاختبار. فبدلاً من إضاعة أسابيع في فحص مئات الجزيئات الفارغة، يحصل عالم الأحياء على قائمة قصيرة مع تقييم صادق للفرص.