G-蛋白偶联受体（GPCRs）作为人类中最庞大的膜蛋白家族,它们参与调控多种生理过程。此外,它们也是现代药物开发的最重要的靶点之一。然而,用传统实验方法来识别GPCRs及其与药物之间的相互作用需要花费大量的时间。幸运的是,近年来,由于计算机和生物学的迅猛发展,大量有关GPCRs的氨基酸序列被测定收集和公开,以及能与GPCRs发生相互作用的药物分子的数据日益积累,使得基于大量数据开发先进的预测模型来精准识别GPCRs以及预测GPCRs与药物（GPCR-drug）之间的相互作用成为了可能。本文主要研究的是GPCRs的识别及其与药物之间的相互作用预测,具体的研究工作包括以下几点:1.建立基于蛋白质序列的自动化识别模型精准识别未知蛋白质是否属于GPCRs。首先使用词嵌入（Word-Embedding）以及结合加权轮廓系数的词袋（BOW）模型从GPCRs的蛋白质序列中提取1011维的原始特征向量。随后采用人工神经网络对特征进一步优化,再基于机器学习算法XGBoost构建自动化识别GPCRs模型。最后,通过不同的验证方法对所提出的模型进行检验。与其它先进的模型对比结果显示,本文建立的模型具有更强的泛化性能。2.建立自动化模型预测GPCR-drug中是否存在相互作用。对于GPCRs,本文采用BOW模型来提取蛋白质序列特征。对于药物分子,采用离散小波变换（DWT）从原始分子指纹中提取特征。随后,选择SMOTE算法对训练数据集进行平衡再利用人工神经网络进一步提取特征。然后,利用神经网络所选特征训练梯度提升决策树（GBDT）模型。最后,通过留一验证和独立测试来检验模型。根据与其他先进模型对比的结果,无论是基于留一验证还是独立测试,本文建立的模型具有更佳的预测性能。3.为了方便研究人员使用或检验本文的研究成果,作者基于1和2中的模型建立了预测平台提供在线服务。考虑到研究人员可能有不同的需求,该预测平台提供如下四种服务:（1）识别序列是否为GPCRs。（2）预测GPCRs序列和药物分子是否具有相互作用。（3）从本文构建的药物分子数据集中返回能与给定序列发生相互作用的药物分子。（4）对于给定序列,先对其进行GPCRs识别,若为GPCR则从本文构建的药物分子数据集中返回能与给定序列发生相互作用的药物分子。本文深入研究了GPCRs识别及其与药物分子的相互作用预测,以现有的方法为基础建立了预测效果更佳的模型,并基于它们构建在线预测平台。