组合用药是医药学领域针对癌症等重大疾病提出的经典疗法,以其治疗效果显著、抗耐药性强的特点备受青睐。然而,组合用药在某些情形下也会产生毒副作用增强、疗效削弱等负面效果;与此同时,传统的临床分析方法远不足以对海量的药物组合方案逐一进行验证,不同癌症间迥异的致病因素、作用途径等也带来了药物组合作用效果的巨大差异。基于治疗靶点的药物协同作用分析为制定最佳用药方案提供了依据,具有巨大的现实意义。药学领域中根据治疗效果将组合用药的作用类型分为拮抗作用、加性作用、协同作用三类,分别对应于各成分药物间的效果相互抵消、叠加、促进三种状态。近年来,药物的相互作用特别是协同作用引起了人们的极大关注,随着高通量分析技术的发展,相当数量的药物组合作用数据得以获得,由此催生了药物协同作用分析的诸多方法。然而,药物组合作用分析仍面临着特征提取困难、识别效果差等诸多问题。（1）本文提出了一种新的基于分子指纹和多靶点蛋白特征的协同抗癌药物组合识别方法MTP-DCNN,其利用药物化合物自身的分子指纹特征以及癌细胞系的多靶点蛋白特征（Multi Target Protein,MTP）进行协同药物组合识别。首先对特定于癌细胞系的多靶点基因及其表达的蛋白序列进行特征抽取,然后采用深度卷积神经网络（Deep Convolution Neural Network,DCNN）进行多靶点蛋白特征降维,最后与分子指纹特征串联并输入深度神经网络进行协同作用分类预测。本文在涉及21种癌细胞系、35种药物化合物的基准数据集上进行了测试,并与当前本领域内性能最佳的方法进行了比较。在协同药物组合识别中取得了93%的总体准确率和0.55的KAPPA相关性,比相比较的最好方法分别高出4%和0.04。（2）本文基于同样的药物分子指纹特征和多靶点蛋白特征,结合注意力机制及门控循环单元（Attention based Gated Recurrent Unit,AGRU）构建了可充分提取上下文信息的深度循环神经网络MTP-AGRU,取得了93%的总体准确率和0.53的KAPPA相关性,模型性能与MTP-DCNN持平。（3）为了方便相关研究人员的使用,开发了一个在线预测服务网站用于提供高效的协同药物组合识别服务。