随着精准医疗的发展,细胞系药物响应数据逐渐被应用于辅助癌症精准医疗决策。目前全球多家科研机构研发和公开了多个细胞系药物响应数据集。但受技术和成本的限制,仅靠体外生物实验完善数据存在局限性。为此,对现有的基础数据深入研究,建立高效准确预测药物与细胞系间响应的算法模型将有助于完善数据,进而帮助分析药物对细胞系的作用及潜在关联机制。本文深入分析了矩阵分解和神经网络原理,并将其应用于细胞系药物响应预测的方法研究。针对细胞系和药物特征不完善不统一的问题,构建向量嵌入神经网络（VENN）和自信息协同神经网络（SCNN）以辅助细胞系和药物特征的建模。VENN运用嵌入层将细胞系和药物的编号拓展成多元潜向量,基于多层感知机和嵌入层更新学习以实现对药物响应的预测。SCNN提取矩阵已有响应值作为细胞系和药物的真实偏好特征,并将其经多层神经网络投射到低维潜在空间中相互作用实现预测。针对常规矩阵分解低秩性和稀疏性限制的问题,构建深度神经矩阵分解模型（DNMF）引入非线性计算结构,通过深度神经网络来逼近药物或细胞系的非线性潜变量。DNMF中的输入层和隐藏层被视为矩阵分解中的基数矩阵和系数矩阵,分别表征药物和细胞系潜在因子矩阵,同时在网络中受反向传播优化求解。输出层最终输出完整的药物响应矩阵。针对进一步提高预测效果的目标,构建双分支深度神经矩阵分解模型（TBDNMF）。模型在DNMF的基础上同时保留线性分解和非线性分解结构,并结合基于矩阵列（药物）数目和基于矩阵行（细胞系）数目输入的分支设计了一个并联结构。模型基于多任务学习规则,将两个分支的权重相乘作为一个辅助学习目标。引入多个正则项构建联合损失函数,进一步提高预测效果和模型鲁棒性。在两个公开的药物响应数据集CCLE和GDSC上开展十折交叉验证实验将本文方法同先前部分方法进行了比较。结果表明,本文的方法对数据集全部数据的预测值和初始值呈现强正相关,证明了预测的可靠性。DNMF和TBDNMF的单个药物预测相关性超过了KBMF,DLN,RF,SRMF和WGRMF方法的结果。本文讨论了模型的参数设定和数据预处理方法对结果带来的影响。针对预测结果开展一系列的生物信息学案例表明,预测结果符合一定的生物学分布特性,并有效地描述药物和细胞系的潜在特征,为分析药物细胞系潜在关联机制提供参考。论文共包含图34幅,表6个,参考文献117篇。