新药的研发过程往往周期长、耗资大且具有一定的随机性和盲目性。通常,一个新药从研发开始到成功上市平均耗时10-15年,平均耗费超过8亿美元。尽管药物开发的投资大,但产出并不理想。因此,加速创新药物的研发已成为全球的共识。作为药物研发的源头,药物-靶标相互作用的识别在药物发现过程中起着重要的作用。然而,传统的生物实验以及临床试验的方法不仅需要大量的人力、财力,同时还伴随着高的假阳性率和假阴性率。随着机器学习和生物信息学的快速发展,计算机辅助的药物-靶标相互作用预测方法已经成为一种快速、准确的药物靶标识别手段。本文采用基于集成学习的方法对药物-标相互作用进行预测研究,主要内容如下:(1)药物化合物和靶标蛋白序列的数值化表征。考虑到分子描述符可以根据药物的物理性质、原子数和化学键数这些指标将分子符号表示中编码的化学信息转换成有用的数值,从而可以区分不同的药物分子。因此,本文采用基于分子亚结构指纹的方式来表征药物化合物。为了尽可能多的包含靶标蛋白的生物进化信息,本文使用了位置特异性得分矩阵(Position-Specific Score Matrix,PSSM)来表示靶标蛋白序列。(2)对于数值化表征后的靶标蛋白评分矩阵,本文使用局部相位量化描述符和勒让德矩特征描述算法来客观、高效地抽取具有代表性的生物信息特征。从而获得药物与靶标蛋白的特征向量表示,为下一步药物-靶标相互作用的预测做准备。(3)基于集成学习的预测模型设计。本文采用了两种集成学习分类器,即旋转森林(Rotation Forest,RoF)和随机森林(Random forest,RF),通过分别与两种特征提取算法相结合来预测药物-靶标相互作用。最终,将所提出的模型应用于四个主流的金标准数据集,并与支持向量机分类器以及其他代表性的模型进行了对比。实验结果表明,本文提出的基于集成学习方法的预测模型可以有效地预测药物-靶标相互作用。