药物靶标的识别在药物发现和生物制药领域起着重要作用,其核心就是化合物-蛋白质相互作用关系的识别。传统的基于实验验证的药物研发模式,已经积累了大量的化合物-蛋白质相互作用关系的基础数据,然而,该模式存在流程复杂、识别不全、周期长、费用高昂以及成功率低的特点。近年来基于大量基础数据进行训练的深度学习模型,在不同领域(图像识别和语音处理等)的分类与预测中,取得了惊人的成果。基础数据的大量积累、CPU+GPU的高速发展以及深度学习模型的快速进化,为基于该模型进行化合物-蛋白质相互作用关系的分类和预测提供了可能。因此,本研究采用深度学习的模型,对化合物-蛋白质相互作用关系进行分类和预测,可在较短时间内全面学习已积累的化合物-蛋白质相互作用关系基础数据中的特征,并据此特征预测新的化合物-蛋白质相互作用关系,从而为药物靶标的识别提供低成本的线索。本研究采用的实验数据主要来源于BindingDB数据库,对原始数据进行处理后得到1224408条化合物与蛋白质相互作用为绑定的正样本数据,将其分类标签设定为1,利用随机生成算法按照正负样本1:2生成负样本数据,其标签设定为0。之后,使用TensorFlow框架构建用于对化合物-蛋白质相互作用进行分类与预测的强大深度学习模型,以上述实验数据为基础,进行模型的训练、参数的调整和优胜模型的确定。整个研究过程包括数据收集及处理,模型构建和实现以及确定,其间有尝试大量的神经网络实验方案,经过对比,最终确定的模型采用深度神经网络来分别对化合物和蛋白质的数据进行特征提取,并使用循环神经网络来对相互作用进行分类与预测。模型参数数量达到了3927万个,在测试集上准确率达到了95.82%,F1-score值为94.05%,AUC的值为98.71%。对某一化合物的靶标识别也得到了较好的预测结果。本研究的实验结果提示,基于深度学习的方法对化合物-蛋白质相互作用的分类和预测具有一定的理论和现实意义。