药物治疗是治愈疾病的重要手段,药物与靶标蛋白的识别是当代新药研制的关键。但受到生物实验方法高通量、低精度和费用消耗大的限制,对大量的药物靶标相互作用验证具有一定程度的盲目性,使得其在实际应用中通常难以广泛开展。在信息科学推动下,机器学习、数据挖掘和数理统计等智能信息处理技术得到快速发展和应用。通过计算机模拟来预测药物与靶标蛋白间的相互作用关系,能够降低研发成本、缩短新药研制时间、减少新药研制的盲目性,对于新药研发和人类医疗的改善具有十分重要的意义。本文基于氨基酸序列的方法对药物靶标相互作用进行分类预测,分别提出药物化合物分子与蛋白质氨基酸序列数值化表征方法、基于蛋白质氨基酸序列信息特征提取方法和利用强大的深度学习模型对药物-靶标相互作用进行分类预测。首先,针对药物分子信息和蛋白质氨基酸信息都是以复杂字符存储于生物信息库中,无法直接作为特征向量输入到分类器,本文提出基于药物化合物分子指纹特征和基于得分特异性矩阵(PSSM矩阵)的蛋白质序列数值化表征方法,实现药物靶标数据的定量描述,保持其固有的生物属性。其次,针对基于蛋白质序列数值化特征存在噪声数据且维度大的问题,本文采用变分自动编码器算法进行特征提取,生成高效且不失生物信息的关键特征,减少特征维度,去除噪声数据影响,为后续的分类预测提供重要的数据保障。最后,针对药物靶标预测模型的构建,本文提出利用强大的深度学习分类模型进行药物-靶标相互作用预测,实现样本多和高维数据的高效预测,提高网络训练速度和药物靶标预测准确率。