La extracción automática de características del aprendizaje profundo ha demostrado su rendimiento superior sobre las características basadas en huellas dactilares tradicionales en la implementación de modelos de cribado virtual. Sin embargo, estos modelos enfrentan múltiples desafíos en el campo del descubrimiento temprano de fármacos, como el sobreajuste y la generalización a datos no vistos, debido a los conjuntos de datos inherentemente desequilibrados y pequeños. En este trabajo se propone el pipeline TranScreen, que utiliza transfer learning y una colección de inicializaciones de pesos para superar estos desafíos. Un total de 182 redes neuronales convolucionales gráficas son entrenadas en conjuntos de datos fuente moleculares y el conocimiento aprendido se transfiere a la tarea objetivo para el ajuste fino. La tarea objetivo de predicción de bioactividad basada en p53, un factor importante para el descubrimiento de fármacos contra el cáncer, se elige para mostrar la capacidad del pipeline. Después de entrenar una colección de modelos fuente, se implementan tres enfoques diferentes para compararlos y clasificarlos para una tarea dada antes del ajuste fino. Los resultados muestran una mejora en el rendimiento del modelo en múltiples casos, siendo el mejor modelo el que aumenta el área bajo la curva de operación del receptor ROC-AUC de 0.75 a 0.91 y la recuperación de 0.25 a 1. Esta mejora es vital para el cribado virtual práctico al reducir los falsos negativos y demuestra el potencial del transfer learning. El código y los modelos pre-entrenados están disponibles en línea.