药物-靶标相互作用预测研究在药物研发和应用中发挥着重要的作用。通过对已有的药物发掘它新的适应症,可以加快药物的研发进度、降低药物的研发成本和风险。传统昂贵且乏味的药物-靶标对检测试验,以及近年来测序技术的发展促使药物和靶标研究的潜在特征数量急剧增加,这些都影响了药物研发的效率。本文将药物和靶标的相互作用关系预测定义为二分类问题,使用机器学习的方法对预测过程中的特征选择进行研究。主要包括特征子集的有效性、特征选择过程的高效性和特征选择方法的稳定性等三个方面。具体研究内容如下:1.提出一种结合随机逻辑回归和贪心策略的特征选择算法。该算法可以在不影响预测准确率的前提下,最大化的降低数据的维度,选出一组适用于多种分类器的有效特征子集,实现不同细胞系药物-靶标相互作用的预测。2.采用孪生网络框架,以参数共享的深度神经网络对药物和靶标相同基因位点的特征进行选择和学习,接着经过特征级融合,从而实现在不同细胞系上以更少的参数达到更好的预测效果。3.将集成学习思想与特征选择方法结合,通过一种集成特征选择方法可以稳定的在不同细胞系的样本集上选出有效的特征子集,以适用于不同分类算法实现药物-靶标相互作用关系预测。在本文中,基于多细胞系的药物和靶标的表达谱数据进行实验,三个特征选择方法的实验结果验证了:对于不同的细胞系数据和分类器,本文提出的方法能够选出具有代表性的特征,同时兼顾高效和稳定。这些研究工作对药物-靶标相互作用预测起到推动作用。