La reubicación de fármacos es un enfoque rentable para identificar nuevas indicaciones para fármacos existentes al predecir sus asociaciones con nuevas enfermedades o síntomas. Recientemente, los modelos basados en aprendizaje profundo se han convertido en la corriente principal para la reubicación de fármacos. Los métodos existentes suelen considerar la tarea de reubicación de fármacos como un problema de clasificación binaria para encontrar las nuevas asociaciones fármaco-enfermedad. Sin embargo, las asociaciones fármaco-enfermedad pueden abarcar algunas subcategorías potenciales que se pueden utilizar para mejorar el rendimiento de la clasificación. En este documento, proponemos un modelo de exploración de subcategorías basado en prototipos (PSCE) para guiar el modelo aprendido con la información de una subcategoría potencial para la reubicación de fármacos. Para lograr esto, primero proponemos un mecanismo de mejora de características basado en prototipos (PFEM) que utiliza centroides de agrupación como atención para mejorar las características fármaco-enfermedad al introducir información de subcategoría para mejorar la predicción de asociación. En segundo lugar, introducimos la cabeza de clasificación de doble tarea fármaco-enfermedad (D3TC) del modelo, que consta de una cabeza de clasificación binaria tradicional y una cabeza de clasificación de subcategoría para aprender con la exploración de subcategorías. Aprovecha las pseudoetiquetas más refinadas de las subcategorías para introducir conocimientos adicionales para una clasificación precisa de asociación fármaco-enfermedad. En este estudio, realizamos experimentos en cuatro conjuntos de datos públicos para comparar el PSCE propuesto con enfoques existentes de vanguardia y nuestro PSCE logró un mejor rendimiento que los existentes. Finalmente, la efectividad del PFEM y D3TC se demostró mediante estudios de ablación.