随着药物的结构越来越复杂,数量越来越多,药物的研究已经进入一个大数据的阶段。如果仍然使用一般的生物实验的方法进行研究,成本高,周期过长。因此使用计算的方法对药物进行研究势在必行。其中预测药物的作用效果的算法就是一种高效,新颖的药物研究手段。尽管现在已经有大量的预测算法对药效进行预测,包括治疗效果、相关的功能路径等,但是这些算法在预测药效的同时引入了大量的先验知识,例如基于药物相似性网络的研究,正是网络本身的偏见性影响到最后的结果。因此需要一种无偏的方法对药效进行预测,在高效的同时得到更加准确的结果。本文采用更加客观的药物作用后的基因表达谱来衡量药物的表现效果。同时本文提出了基于生成对抗网络的药物作用效果预测模型(predict-profile-conditional Generative Adversarial Nets(ppc-GAN))。通过改进现有的生成对抗网络模型,使其应用在基因表达谱的预测工作中。本文方法首先训练自编码器用来压缩用药前后的基因表达谱;然后将训练好的自编码器的编码部分整合到生成对抗网络的训练模型上,使得模型的参数量降低;最后将解码器和生成对抗网络的生成器组合成为预测器。在药物作用后的基因表达谱的预测工作方面,通过用药前后的实验数据对模型进行了验证。最终结果表明预测的基因表达谱和真实的基因表达谱具有很强的线性关系,以及很低的误差分数。针对具体实例,本文应用预测得到的基因表达谱,对基因调控和治疗效果进行了验证,也得到了很好的表现。同时通过删除模型的不同的环节,观察到模型的各个部分的设计是有意义的,对提高模型精度,降低参数量都是具有帮助的。ppc-GAN算法不仅仅只是通过用药前的基因表达谱预测用药后的基因表达谱,当研究具体的基因时,可以将模型生成器的输出改变为待研究的基因,重新训练模型,这有助于提高精度。编码器的压缩部分也可以应用在其他模型中,用于基因表达谱的数据压缩。本文提出用药后的基因表达谱是一个全新的角度来解释药物的作用效果,同时用数学模型来诠释药物实验这一过程。这在生物数据的生成,药物的筛选等方面具有较大的研究意义。