目前,癌症正严重威胁世界各地人们的生命安全,是人类生命健康的杀手之一,为癌症患者选择合适的抗癌药物治疗是生物信息学领域的重要课题。通常情况下,在治疗癌症患者的过程中需要长时间测试抗癌药物的反应,然而长达数月的试验可能错过治疗的最佳时间,这对抗癌药物反应的预测提出了挑战。最近的许多研究大多基于基因表达谱计算各个基因得分来识别疾病状态和癌症治疗,进而判断不同疾病类型的生物标记物,最终进行抗癌药物敏感性预测。然而通路作为基因功能集合的重要体现,能显著提升抗癌药物敏感性的预测性能,同时有更好的生物学解释。不仅如此,通路中的高连接度基因能改善模型预测效果,从而提高模型解释能力。此外,在抗癌药物敏感性的预测算法上还有诸多选择,选择合适的预测算法是有必要的。因此,正确地选择通路中的关键基因和抗癌药物敏感性预测算法是非常重要的。本文在总结分析前人有关抗癌药物敏感性预测分析成果的基础上,将多种基因组特征数据和通路中的高连接度基因的通路活性特征进行整合,然后分别使用弹性网络和随机森林两种机器学习算法构建抗癌药物敏感性预测模型,分析两种算法的优劣势。将本文模型和仅基于基因组数据建立的预测模型及以往的通路模型作对比分析。本文的研究方法主要包含以下内容:（1）基因组数据的处理及关联特征提取。将基因表达、基因拷贝数和基因突变等基因组数据进行z-score标准化等数据处理,利用这些基因组数据和药物反应数据建立规则表达式,然后利用关联规则挖掘算法筛选表达式中的强关联规则,即强关联基因特征。（2）推断高连接度基因的通路活性特征。由于通路中的一些基因不会影响药物敏感性,所以利用通路数据和STRING数据库选择通路中的高连接度基因,再结合基因表达谱将这些高连接度基因进行整合,同时推断其通路活性数据特征。（3）构建基于多特征输入的抗癌药物敏感性预测方法。以往的特征数据或只有基因表达数据或只有通路活性数据,这样可能会有信息不足的缺点。所以把上述操作得到的基因组数据特征和高连接度基因的通路活性特征相整合,并将其作为弹性网络或随机森林算法的输入,特征合并后的结果对比显示,使用此种计算方法提升了抗癌药药物敏感性预测性能。本文对CCLE中24种药物分析得出,在其中的17种药物中,基于多特征输入和弹性网络构建的模型具有较好的预测性能,同时能识别出更多的生物标志物,具有更好的生物学解释。这表明在抗癌药物敏感性预测中,将多种基因组数据整合作为机器学习算法的输入,这种模型能学习到基因组数据与药物敏感性之间的潜在联系。这种利用多种特征输入的方法提高了药物敏感性预测能力,为个性化医疗提供了技术参考。