药物设计是一个耗时且昂贵的过程,提高药物的筛选效率能够为药物设计提供早期的小分子筛选作用,具有重要科学价值。鉴于药物设计中的巨大搜索空间,随着人工智能技术的发展,机器学习已经成为预测小分子药物与靶向蛋白质之间亲和力的有效方法。然而,各种机器学习算法包括大量的参数和各种各样的模型,使得预测框架的选择非常困难。在这项工作中,本文探究了针对不同机器学习算法的参数优化来进行虚拟筛选,传统的机器学习算法以决策树为例,选择了XGBoost框架和LightGBM框架;深度学习算法则构建了多层感知器和卷积神经网络模型。在参数优化之后,对决策树算法和深度学习算法的RMSE值和R2值进行了比较与评估,对于本次实验所得到的结果是在虚拟筛选方面决策树比神经网络更有效。这是因为在具有约160000个样本的特定药物筛选问题的亲和力预测中,深度学习算法可能比决策树算法更容易过拟合。最后,可以得到先进的机器学习方法可以提取比传统的虚拟筛选方法更准确的蛋白质-小分子结合信息,提高药物设计的筛选效率可达200～1000倍。