药物在治疗患者疾病的同时,可能伴随着危害患者生命健康的副作用。因此,如何快速,准确地发现潜在的药物副作用信息成为药物研发过程中的一个重要环节。传统的药物副作用的发现方式通常是通过生物学及药理学实验,这种方式往往消耗时间长且资金投入巨大。因此,通过计算机模拟计算来准确、快速地预测药物潜在的副作用具有重要的理论价值和实用价值。当前大部分基于科学计算的药物副作用预测方法采用了机器学习的分类方法,从药物的生物化学等特性提取特征去预测副作用类别。但由于药物副作用相互关系矩阵的稀疏性,预测效果往往受到很大影响。同时,传统的药物副作用预测方法常常只关注了药物本身的相关特征,而忽略了副作用之间的潜在关联。鉴于此,本文提出了一种基于推荐算法的药物副作用预测方法。该方法以药物和副作用为研究对象,将药物副作用预测问题看作一个推荐系统,结合药物本身信息和药物副作用关联关系,利用推荐算法发现可能的药物副作用关系,在一定程度上为药物实验提供了参考。主要内容如下:1.以中枢神经系统相关的副作用为研究对象,针对副作用与副作用之间的潜在关联,提出了一种基于协同过滤算法的中枢神经系统药物副作用预测方法。该方法利用协同过滤算法,将药物在血脑屏障中的穿透性信息加入药物副作用预测中。实验结果表明,基于协同过滤算法的预测方法能有效提升中枢神经系统相关的药物副作用预测的准确性。2.以现有的药物副作用为研究对象,提出了一种基于矩阵重构和社交矩阵分解的药物副作用预测方法。该方法主要使用了基于用户的协同过滤算法,从药物副作用相关关系中挖掘隐含信息,并对稀疏的药物副作用关联矩阵进行重构,同时,利用改进的多特征融合的社交矩阵分解方法,结合多种药物信息,挖掘出副作用之间的潜在关联,以此提升药物副作用预测精度。通过在多个数据集上进行对比实验,验证了基于协同过滤的矩阵重构方法和多特征融合的社交矩阵分解方法的有效性。3.开发了基于推荐算法的药物副作用预测工具。该工具基于多种药物相关特征的组合来预测药物副作用。不仅能提供药物副作用预测结果,而且可以帮助使用者理解药物副作用信息之间的关联程度,具有一定的参考价值。