在癌症的治疗中,抗癌药物的耐药性是治愈癌症患者的一个巨大难题。如何选择有效的药物治疗方案来降低病人对抗癌药物的耐药性是计算生物学领域的前沿课题之一。虽然药物联合治疗方案用于缓解耐药性的发生是一个公认可行的概念,然而,药物组合不仅仅是药物之间简单的加法。某些药物组合不仅可能没有产生协同作用,还可能产生拮抗作用来降低药物的治疗效果,更有甚者会出现药物组合毒性,危及病人生命。目前,通过实验筛选一个药物组合治疗方案通常需要花费大量的时间和成本,对所有潜在的药物组合进行实验筛选来确定是否有效是不可行的。因此,研发一个有效的计算模型来预测药物组合的协同性已经成为计算生物学的重要课题。基于最近研究小组的大规模药物组合筛选结果,利用计算模型预测药物组合的协同性来筛选有效的药物组合已经成为一个可行的方法。然而不同于预测单个药物协同性的计算模型,药物组合的计算模型需要处理更加庞大的数据,这对于计算模型的性能提出了挑战。因此,本文在研究分析国内外关于药物组合计算模型相关成果的基础上,以O’Neil等人的药物组合筛选实验结果为研究对象,利用计算机深度学习技术提取细胞系不同基因组学的特征和抗癌药物的分子描述符特征,通过融合提取后的不同特征实现特征信息的整合,并以此来促使计算模型学习细胞系和药物组合之间的联系。本文的研究方法主要包含以下内容:（1）实现细胞系基因组学特征和抗癌药物分子描述符特征的降维。针对细胞系基因组学特征和抗癌药物分子描述符特征维度数高的特点,为降低参数过多对计算模型性能的影响,通过搭建backbone卷积神经网络对其进行特征提取降维,根据不同特征类型分别构建不同的backbone网络进行降维。同时,为提升模型预测结果的准确性,实验前对输入数据进行了空值填充和标准化处理。最后根据不同类型的输入特征信息分别提取了相应的特征信息用于研究。（2）提出一种基于多特征融合的药物组合协同性的预测方法。针对传统单一特征表达细胞系信息不足的缺点,利用融合方法将提取的多种细胞系基因组学特征进行特征融合处理,实现了不同基因组学特征间的信息互补,提高了计算模型预测结果的准确度。根据融合后的特征,利用神经网络对药物组合的协同性能进行回归预测,并将预测结果与单一细胞系特征的预测结果进行对比,探究出了适合抗癌药物组合研究的回归预测模型,有助于降低临床试验成本。本文通过提取和融合细胞系基因组学的特征和抗癌药物的分子描述符特征实现了药物组合的协同性能的预测。实际临床试验中可以根据协同性能的高低精准定位到潜在有效的药物组合,有利于缩小药物组合临床试验范围,为精准医疗提供了一种技术参考方案。