药物研发是全球性的发展问题，过去几十年中，药物靶向治疗策略取得了相当大的成绩，确定药物治疗靶点，寻找针对靶点的特异性药物，是医药企业以及实验室研究的着力点，并且已经取得了相当大的成绩，为人类健康做出了不可磨灭的贡献。然而，近些年，新药研发速率不断下降，研发成本不断上升，究其原因：一是药物研发早期阶段筛选大量的药物候选物，仍然主要依靠耗时耗力的实验手段，后期发现药物的疗效不理想或者副作用导致研发失败；二是大部分人类疾病是由多因素引起的复杂疾病，而生物系统具有一定的冗余度和鲁棒性，单一药物对单一靶点的干扰不能引起系统表型的改变。随着不同组学技术的进步，累积了很多的的生物学数据，使得生物学数据库逐渐增加。生物信息学与计算生物学的发展，对于解开药物研发面临的困境，提供了一种有效手段。特别是在药物研发的早期阶段，虚拟筛选技术提供了一种高效而高通量的手段，为早期研发锁定目标、节约成本起到了重要作用。运用计算手段，整合多种数据资源，挖掘数据中隐含的关联信息，筛选可靠的药物-靶标关系和有效的药物组合恰逢其时。本文从公开数据库资源入手，针对医药领域一直关心的两大热点问题：药物-靶标关系预测以及药物组合研究，设计了不同的计算模型，并验证了模型的有效性。本文的研究工作主要包含以下三个部分：1、建立了一个化学相似性系综模型，在大范围的公开数据库内探索蛋白-配体的相互作用关系。研究共涵盖了53092个配体小分子和14732个人类蛋白，选用的蛋白不仅包含少量已知的药物靶标，而是包含已获得较多配体信息（大于5个配体）的人类蛋白；选用的配体也不限于少量的上市药物，而是包含药物、小分子化合物、离子等可作为蛋白配体的小分子，极大地丰富了化学相似性系综法的应用范围。在蛋白-配体相互关系的预测中，使用了GpiDAPH3和MACCS key两种不同编码类型的指纹表示配体小分子，预测结果的ROC曲线下面积AUC分别达到了0.6608和0.8344。可以发现，基于MACCS key指纹建立的化学相似性系综模型仍然保持了较好的预测效果，说明了化学相似性系综法具有较好的拓展功能。后来，为中药成分寻找蛋白靶标的研究，进一步说明了化学相似性系综模型对于预测新的药物-靶标关系具有一定效力。2、建立了一个基于化学倾向性信息的支持向量机模型。特征向量的构建抛弃了蛋白结构信息，完全使用蛋白已知配体的化学信息。332个特征分别取自配体的指纹信息以及已知的蛋白-配体相互关系，这样构建的特征向量被我们称之为化学倾向性特征向量。该模型对于预测蛋白-配体相互作用关系显示了出色的能力，超过了化学相似性系综模型的预测结果。五倍交叉检验和独立检验都显示出很好的结果，ROC曲线下面积AUC分别达到0.9914和0.9878。随后的特征选择，初步揭示了配体-蛋白（药物-靶标）关系确立的本质联系。最后，应用该模型筛选了精神分裂症靶点DAO的抑制剂，并进行了实验。实验结果进一步显示了该模型的优势，10个预测到的药物候选物中，有7个获得文献或实验支持，并且发现了4个新的DAO抑制剂，进一步印证了基于化学倾向性的支持向量机模型对于预测药物前体和靶标具有良好的效果。3、提出了一个新的计算方法，通过整合药物作用下的基因芯片数据，药物作用下的子网络以及现有的信号通路信息，构建了一个机器学习模型，用于预测药物组合。首先使用单独用药的基因表达数据，预测组合药物作用下的基因表达变化比率。根据用药前后的基因表达变化比率，定义现有PPI网络的权重，用jActiveModules筛选药物作用下的最优子网。最优子网中的基因被认为是药物干扰引起细胞系统响应的基因。以药物组合及单独用药下最优子网中的基因在信号通路中出现的频率构建特征向量，优化特征并建立模型。“留一法”交叉验证结果显示，ROC曲线下面积AUC的均值达到0.7941，说明该模型能够较好地实现药物组合与负样本的分类。以癌症为例的案例分析发现，预测到的前10个癌症药物组合中，有3个是数据库中已经存在的，有2个找到了文献支持，进一步说明了该模型的有效性。