化合物与蛋白质绑定关系对于药物研发具有重要的提示性意义。目前药物研发涉及多成分、多靶点、多作用模式,并且药物研发面临成本高、周期长、成功率低的问题。现有的化合物与蛋白质绑定关系数据是近现代生物学、化学和医学通过实验研究积累产生,并收集在不同的知识库中。因此,近年来深度学习模型被广泛运用到化合物与蛋白质绑定关系研究中。但是,通过深度学习模型预测化合物与蛋白质绑定关系存在假阳性高的问题。如何预测化合物与蛋白质绑定关系并且降低预测结果中的假阳性问题具有重要的现实意义,针对该问题本研究创新性提出了基于正、负神经网络模型采用决策融合机制预测化合物与蛋白质绑定关系的方法。本研究采用Binding DB数据库的数据,经过分析、清除和预处理获得化合物与蛋白质绑定的样本,然后采用随机匹配和去除已知绑定的样本生成非绑定样本。本研究为二分类问题和监督学习,因此对样本进行类别标注,而且正模型目的是学习化合物与蛋白质绑定特征,即绑定的样本标签为1,非绑定的样本标签为0,反之负模型目的是学习化合物与蛋白质非绑定特征,即非绑定的样本标签为1,绑定的样本标签为0。正、负模型采用的神经网络结构是一种融合了循环神经网络和卷积神经网络的复合神经网络模型。复合神经网络模型主要包含三部分:第一,使用三个长短期记忆网络（LSTM）分别对化合物原子块、化学键块和蛋白质氨基酸序列三个变长数据进行特征提取,之后对三个循环神经网络的输出拼接、组合并转化维度,作为卷积神经网络的输入;第二,使用卷积神经网络学习化合物与蛋白质绑定关系的特征,使用全连接层把卷积神经网络模块提取关于化合物与蛋白质绑定关系的特征进行二分类任务,第三,在输出层采用Softmax层将全连接层的输出转化为类别的概率,从而预测出样本的类别。正、负模型分别预测每个样本的类别,然后基于决策融合机制,从正模型预测为绑定的样本中去除负模型预测为非绑定的样本,获得最终的绑定样本。本研究从原始数据的采集、分析和预处理、样本集的生成、模型的构建、代码的编写和调试到训练出最终模型,期间试验过几十种解决方案,历经一年多时间,获得一组最优超参数,并以此训练出最终正、负模型。随机抽取100个化合物与7181个蛋白质进行实际应用的预测,经过正、负模型决策融合方法后,其准确率从94.61%提升到98.42%,提高了3.81%,精确率从0.39%提升到1.25%,提高了2.2倍,假阳性样本量降低了70.78%。本研究在降低化合物与蛋白质绑定关系预测假阳性问题上得到一定的成果,但是预测得出的化合物绑定蛋白质的期望与真实数据当中化合物绑定蛋白质的期望约为1.88,而本研究预测的最终期望约为114.53,有待后续研究继续跟进提高。