随着药物设计相关理论及技术日益成熟,已有诸多高效准确的药物设计方法用于解决药物研发中的各种难题。例如,虚拟筛选是发现先导化合物的有效手段,基于蛋白结构的反向对接和基于配体的相似性比较等方法用于靶标预测,而目前正流行的机器学习和深度学习等人工智能技术对于生物信息数据的挖掘有十分重要的意义。本论文包含相对独立的两部分研究内容,第一部分是抗新冠肺炎靶标预测和虚拟筛选方法发展及网络应用平台开发,包括基于配体相似性的D3Similarity（第二章）和基于深度学习的D3AI-CoV（第三章）。第二部分是对两个新颖抗肿瘤靶标蛋白,FTO（Fat Mass And Obesity Associated Protein,FTO）蛋白（第四章）和人再生肝磷酸酶（Phosphatase Of Regenerating Livers,PRLs）（第五章）进行虚拟筛选发现活性化合物。2019年爆发的新型冠状病毒肺炎（Coronavirus Disease 2019,COVID-19）对全球公共健康造成了巨大威胁。截至2022年3月,新冠肺炎已在全球范围内造成超过590万人死亡,因此迫切需要开发能够治愈新冠肺炎的药物。为加快抗新冠药物研发,论文第二章我们首先构建了抗冠状病毒活性化合物及相关靶标信息数据库,基于此数据库我们建立了基于配体相似性比较的抗冠状病毒靶标预测和虚拟筛选系统并开发了相应的网络应用平台D3Similarity。该网络应用平台对已报道的冠状病毒活性化合物信息进行了有效整合并能辅助研究人员预测抗新冠药物靶标以及筛选活性化合物。继D3Similarity之后我们进一步扩充了抗冠状病毒活性化合物数据库。为更深层次挖掘抗冠状病毒化合物与其靶标间的关系从而进一步提高抗新冠肺炎靶标预测和虚拟筛选准确率和效率,论文第三章我们引入了深度学习技术并开发了Multi DTI和MPNNs-CNN两个分类模型进行靶标预测以及MPNNs-CNN-R回归模型进行虚拟筛选。经外部测试集验证以及与其他各个抗冠状病毒网络应用平台比较,D3AI-CoV预测准确率和效率均有显著提高。FTO和AlkB家族5号同源（AlkB Homolog 5,ALKBH5）蛋白都是核糖核酸（Ribonucleic Acid,RNA）N~6-甲基腺嘌呤（m~6A）去甲基化酶。目前已发现的FTO选择性抑制剂均结合在底物结合口袋,由于AlkB家族蛋白底物口袋的高保守性导致针对FTO的特异性临床药物研发困难重重。FTO别构抑制剂的开发对于疾病发病机制研究以及疾病治疗均有重要作用。因此论文第四章我们采用课题组内开发的动力学模拟新方法oss PTMeta D及蛋白口袋探测新软件D3Pockets预测了FTO的别构口袋,最终找到了一个潜在别构口袋。并对潜在别构口袋开展虚拟筛选,结合实验验证获得了3个潜在FTO别构抑制剂。另外,PRLs和细胞周期蛋白M（cyclin M,CNNM）结合在细胞分裂周期调控以及代谢调控等各种生命活动中发挥重要作用,并且PRLs-CNNMs蛋白蛋白相互作用（Protein-Protein Interaction,PPI）抑制剂可用作抗肿瘤药物研发。在论文第五章中我们采用分子动力学模拟、虚拟筛选和共价对接等手段寻找该PPI抑制剂,经实验验证得到了5个活性化合物。