类药化合物的靶标发现对于新药研发具有重要的作用和意义。基于生物信息学、化学信息学的类药化合物靶标发现技术不仅需要众多相关技术的综合应用,依赖于复杂的生化实验和衍生数据的大量储存和分析,而且需要专业的背景知识,开发周期长、成本高昂。因此,需要一种高效、快速、成本低廉的方法,而深度学习为类药化合物靶标的发现提供了一种新的可能。本文使用深度学习以多标签分类的方式对类药化合物靶标发现的问题进行处理,采用四层的全连接神经网络作为深度学习模型,其中输入层的神经元数量为301,两个隐藏层的神经元数量均为1000,输出层的神经元数量为100。由于原始数据集中靶标类别标签分布极度不平衡,属于不平衡学习问题,为了改善数据集中的靶标类别标签分布不平衡的程度,并且提高模型的分类性能,采用多标签随机过采样算法对数据集进行处理。在CPU环境下进行训练,耗时24个小时,其准确率、精度、召回率分别为70.5%、73.6%、75.3%。结果表明使用深度学习以多标签分类的方式对类药化合物靶标的发现问题进行处理是切实可行的,可以对类药化合物靶标的发现起一定启示性的作用,但是,由于数据集中的靶标类别标签过多与其中存在的靶标类别标签分布极度不平衡的问题,所能处理的靶标类别标签数量比较有限,分类性能也有待提升。