新出现和已存在的病毒是人类和动物中各种感染疾病的主要病原体,会导致各种高死亡率流行病和大流行病的发生。一个典型的例子就是2019年12月31日爆发的COVID-19疫情,它是由一种称为严重急性呼吸综合征冠状病毒2（SARS-Co V-2）的新型冠状病毒株引起的一场急性呼吸系统疾病大流行。由于缺乏有效的抗病毒药物,COVID-19不断危及全球公共卫生。对于大多数病毒,如丙型肝炎病毒（HCV）、流感病毒（INFV）、严重急性呼吸系统综合症冠状病毒（SARS-Co V）、单纯疱疹病毒（HSV）等,有效的抗病毒药物也是有限的。因此,迫切需要加快药物发现过程。随着计算机技术的不断发展,利用机器学习技术可以在很大程度上帮助发现和设计抑制病毒或者消灭病毒的候选药物,以及识别新的药物靶点和确定已知药物的优先级。但是这一切的前提是大量且可用的高质量数据和高精度的算法。目前,鉴于各类病毒的周期性出现和人类对病毒认识的逐渐深入,病毒的生物学、结构、化学和药理学等数据也在迅速增长,对这些数据的深度加工和利用,将会在很大程度上指导抗病毒药物的设计与开发。基于抗病毒数据统一收集和整理的需求以及机器学习在抗病毒药物发现中的应用,我们提出并开发了一个基于Web的可开放获取的抗病毒药物资源库与筛选平台（VDDB）,以提供专用的、经实验验证的抗病毒药物和潜在靶标信息以及抗病毒药物筛选模型。目前,针对39种易引起临床感染疾病的重要病毒,VDDB储存和展示了共计约715577种经实验验证的潜在药物,包括848种临床试验疫苗和199种临床试验抗体,以及714530种潜在的小分子化合物。此外,我们的数据库资源存储了大约300多万条药理数据,其中涉及314种细胞表型评估和234种靶标评估。基于这些多层面注释的药理学数据,用户可以通过文本挖掘或基于相似度的分子搜索,来获得各种病毒药物的可靠信息。针对上述收集的大量的抗病毒研究数据,我们采用六种机器学习方法,如SVM、XGBoost、DNN、GCN、GAT、FP-GNN,构建了57种基于表型细胞和117种基于靶标的抗病毒分子活性预测模型。评估结果表明,基于XGBoost的细胞表型筛选模型取得了最优结果,其测试集的平均F1值为0.877±0.133,平均BA值为0.752±0.191。在靶标预测模型结果方面,XGBoost方法的平均F1值为0.862±0.145,平均BA值为0.620±0.109。这些建模结果表明我们构建的预测模型可以实现对抗病毒分子活性的精准预测。我们把已建立的模型集成到VDDB平台中,以供领域内的研究者免费使用,可以用于虚拟筛选、靶标钓取以及药物重定向等研究。我们期望VDDB可以作为一个一站式的、致力于促进和加速抗病毒药物发现的知识库。VDDB可以通过https://vddb.idruglab.cn免费访问。