Desarrollar nuevos medicamentos para enfermedades emergentes, como el COVID-19, es crucial para promover la salud pública. En los últimos años, la aplicación de inteligencia artificial (IA) ha avanzado significativamente en los procesos de descubrimiento de fármacos. Los modelos generativos, como las redes generativas adversarias (GANs), muestran el potencial para descubrir nuevas moléculas de medicamentos al depender de una gran cantidad de muestras de entrenamiento. Sin embargo, para nuevas enfermedades, generalmente solo hay disponibles unas pocas muestras, lo que plantea un desafío significativo para aprender un modelo generativo que produzca moléculas de alta calidad y diversidad bajo supervisión limitada. Para abordar este problema de generación de medicamentos con pocos datos, proponemos un paradigma de adaptación de dominio generativo de moléculas (Mol-GenDA), que transfiere una GAN pre-entrenada en un conjunto de datos de moléculas de medicamentos a un nuevo dominio de enfermedad utilizando solo unas pocas referencias. Específicamente, introducimos un adaptador de moléculas en el generador de GAN durante el ajuste fino, lo que permite que el generador reutilice el conocimiento previo aprendido en el pre-entrenamiento en la mayor medida posible y mantenga la calidad y diversidad de las moléculas generadas. Experimentos exhaustivos posteriores demuestran que Mol-GenDA puede producir candidatos a medicamentos de alta calidad y diversos. En resumen, el enfoque propuesto ofrece una solución prometedora para acelerar el descubrimiento de medicamentos para nuevas enfermedades, lo que podría llevar al desarrollo oportuno de medicamentos efectivos para combatir brotes emergentes.