药物靶标是指体内具有药效功能并且能够被药物作用的生物大分子。药物潜在靶标的预测对于早期药物分子的研发、安全性评价、老药新用、阐明天然产物作用机制等方面都有着非常重要的意义。靶标预测和确证作为创新药物发现的一个重要环节,对于创新药物的发现和研究具有重要的意义。通过计算手段和工具来发现并预测药物的潜在靶标,可以为药物实验提供重要指导和辅助证据。本文主要研究了通过计算机技术预测药物靶标的两种模型,并通过机器学习和数据挖掘手段,利用结构信息结合基因—蛋白质—化合物的相互作用组学等生物大数据,对现有药物靶标发现方法进行了改进,采用新的聚类算法DDC进行靶标内分子聚类处理,提高预测精度和性能;同时对SHAFTS算法在天河二号计算机上进行了部分试算。主要工作如下:1.靶标内分子处理上,采用一种新聚类方法-DDC。其主要思想是采用DDC聚类分析得到的类簇中心,其特点是周围都是局部密度较低的邻居点,并且和其他有更高密度的点的距离相对来说比较大,利用该特征自动确定类簇中心,并进行聚类分析而无需预先设定类的个数。实验结果表明,该方法具有较高的分类精度和计算效率,对于不同分布类型的数据都具有较好的聚类精度。2.运用机器学习和数据挖掘手段构建了基于靶标的药物靶标预测模型并进行具有活性相互作用的药物靶标的获取和预处理。我们提出的模型构建方法相比较通过反向对接、药效团和化合物结构相似性等方法,利用已知药靶和活性化合物的结构信息直接进行靶标预测,而不用进行分子结构分析。实验结果表明我们的数据处理方法具有更快的处理速度和较高的准确性。3.运用三维相似性算法SHAFTS,通过小分子及靶标结合位点相似性进行分类,构建了基于三维相似性的靶标预测模型,建立针新的对小分子的聚类方法和相似性描述指标。同时将该模型及算法在天河二号进行部分试算,加快研究进度,推动其更广泛的应用。