现代药理学研究积累了大量蛋白质-化合物绑定的数据,然而,迄今为止,仍有很多的化合物缺乏与蛋白质的绑定信息,这限制了药理学的进一步快速发展。传统的基于药理学实验的研究方式,资金投入多,实验周期长,得到的蛋白质-化合物绑定数据少。深度学习是基于特定问题积累的大量历史数据构建神经网络模型进行学习的方法,快速发展的计算机硬件技术(CPU和GPU等)使得深度学习的过程成为可能。因此,针对已有的海量蛋白质-化合物绑定数据,构建深度学习模型进行训练,从中抽取蛋白质-化合物绑定特征,并依据抽取的特征进行预测,可在较短的时间内完成模型的训练并实现任意蛋白质-化合物的绑定预测,为药理学的研究提供新的线索。本文借助由谷歌公司研发的深度学习平台——TensorFlow框架搭建神经网络模型并进行训练和预测。数据全部来源于国际生物信息数据库——BindingDB。通过对原始数据进行处理,最终得到的每一条数据表示一种化合物和一种蛋白质是否能发生绑定,其中能绑定的为正样本,标签为1,不能绑定的为负样本,标签为0。本研究共使用约700万个样本,并将其分成三部分,一万个样本用来验证,一万个样本用来测试,其余样本全部用来训练。本论文训练了两个模型,一个是卷积神经网络模型M1,另一个是全连接神经网络模型M2。每个模型分为两部分,在M1模型中,第一部分通过三种不同类型的卷积核来分别提取化合物中的原子块、化学键块和用氨基酸序列表示的蛋白质的特征。M2模型的第一部分通过三个全连接网络对原子块、化学键块和蛋白质块进行特征提取。两个模型的第二部分是具有若干个隐层并且每个隐层节点数逐层递减的全连接神经网络,最后的输出层有两个节点,用one-hot编码表示化合物和蛋白质是否能发生绑定。本文的工作包括以下阶段:理论准备、下载原数据、分析数据、处理数据、确定模型、编写代码、训练模型直到得出结果,单次实验最长可达近400小时。发现M2模型的性能优于M1模型,在测试集的准确率为89%,由此可见,深度学习对未知蛋白质-化合物的绑定预测有较高的可信度,对药物的研发有一定的参考价值。