细胞周期蛋白依赖性激酶家族（Cyclin-dependent Kinases,CDKs）与细胞周期、细胞转录、细胞分化等过程密切相关。CDKs异常表达会引发多种癌症,其中包括肝癌、乳腺癌、肺癌、结肠癌、急性髓系白血病（Acute Myeloid Leukemia,AML）及慢性淋巴细胞白血病（Chronic Lymphocytic Leukemia,CLL）。因此,CDKs是治疗癌症的潜在靶标,引发广泛关注。近年来,许多靶向CDKs的pan-抑制剂和选择性抑制剂正处于临床研究中。夫拉平度（Flavopiridol）是第一个进入临床试验的代表性pan-CDKs抑制剂,用于急性髓系白血病、慢性淋巴细胞白血病、乳腺癌和肺癌的潜在治疗。然而,pan-CDKs抑制剂缺乏选择性,在临床试验过程中常出现严重不良反应,被限制进入临床研究或临床应用。因此,开发靶向CDK4/6、CDK7和CDK9等亚型的选择性抑制剂成为热点,其可以克服pan-CDKs抑制剂因缺乏选择性和具有潜在毒性造成的临床限制。Palbociclib、Ribociclib、Abemaciclib和Trilaciclib是目前仅有的被美国FDA批准上市的四个CDK4/6选择性抑制剂。因此,开发新型骨架结构且靶向不同CDK亚型的药物是抗癌药物研发领域的热点之一。为了加快新型CDKs抑制剂的设计与发现,我们收集了11个人源CDK亚型抑制剂的结构和活性数据,基于三种分子特征表达（如分子描述符、分子指纹和分子图）,采用四种传统机器学习方法（随机森林、支持向量机、k-最近邻和朴素贝叶斯）以及五种深度学习方法（消息传递神经网络、图卷积神经网络、图注意力网络、Attentive FP和FP-GNN）,我们构建了275个CDKs抑制剂预测模型。模型评估表明,基于FP-GNN方法构建的模型取得最佳的预测性能,其测试集的平均AUC值为0.897。基于最优模型,我们开发了基于web的CDKs抑制剂预测平台（DEEPCDKPred:https://deepcdkpred.idruglab.cn/）以及本地软件（https://github.com/idrug Lab/DEEPCDKPred）,可用于设计与发现新型CDKs抑制剂。为了验证基于FP-GNN的模型可用于发现新型ATP竞争性CDKs抑制剂,以CDK9激酶为例,我们构建了基于模型预测和分子对接方法的组合虚拟筛选（Virtual Screening,VS）策略以用于发现新型ATP竞争性CDK9抑制剂,并在生物活性水平上进行了抗癌活性的筛选和机制探索。生物活性测试结果显示化合物C2、C3、C6、C9和C13可直接靶向抑制CDK9活性并对八种肿瘤细胞显示出抗癌活性。其中,化合物C9显示出良好的CDK9激酶抑制活性(IC50=295 n M)和抗白血病细胞活性(MOLM-13细胞,IC50=3.92μM)。进一步的抗癌机制研究结果表明,化合物C9可抑制MOLM-13细胞内的CDK9活性,诱导了细胞凋亡的产生,蛋白免疫印实验结果证实了化合物C9诱导细胞凋亡是通过抑制Mcl-1蛋白和增加Cleaved PARP蛋白的表达来实现。此外,体外稳定性测试结果表明化合物C6、C9、C13在肝微粒体、人工胃肠液以及血浆中具有较好的稳定性。最后,本文的研究结果表明FP-GNN深度学习算法可以实现对CDKs抑制剂的精准预测且能够发现新型CDK9抑制剂,这些抑制剂作为活性化合物可做进一步的结构修饰。