药物的早期筛选通常需要经过药物设计、细胞实验、动物实验与临床实验等步骤,一个新药的研发与筛选通常需要耗费将近十年的时间以及上百亿元,而这些花费可能因药物在人体中的不适应性、无效性、毒性等原因而无效。因此,基于人类细胞的基因表达数据与深度学习方法相结合,对新药物效应预测的研究能够减少药物的早期筛选过程中的额外花费,并为提升新药探索的成功率作出贡献。本文利用寻找拓扑图中最短路径的算法来对基因互作网络的上下文来进行捕捉,并将捕捉到的基因上下文用于训练机器学习算法,生成最终能够代表每个基因功能与意义的基因向量。基于这些基因向量与细胞的基因表达数据,最终整合出能够代表每个细胞各方面状态的细胞向量,并通过查看药物处理前后细胞状态的改变来判断药物对细胞的效应。这种方式能够从更宏观的,即整个细胞的状态变化角度,来判断药物在人类细胞中产生的效应。为了预测药物对人类细胞基因表达的改变,本文构建了以药物分子结构为输入,细胞状态变化为输出的深度学习模型,并将训练后的模型应用并预测模型未曾学习过的小分子药物对细胞状态所产生的效应,取得了良好的预测效果;证明了深度学习应用于药物早期筛选、预测细胞基因表达状态变化的可行性。本研究表明,基于深度学习、基因互作网络数据、基因表达数据与小分子化合物结构数据的整合可以有效预测药物对人类细胞产生效应,可以筛选出更多对人类细胞有效性高、适应性高、低毒性的药物,为药物的虚拟筛选提供新的思路。