药物-靶标相互作用预测作为药物发现领域中药物重定位方法的关键步骤,可以为新药的开发提供分子层面的关联探测,加快开发效率、节省投入成本、缩短研发周期。当前药物-靶标相互作用预测存在的突出问题包括数据类别不平衡、数据维度高和模型通用性差。本文将利用LINCS和DrugBank数据集中七个细胞系的基因表达谱数据和作用标识,将药物-靶标相互作用预测建模成二分类问题。针对上述问题,本文开展下列工作:1.针对样本数据维度高、类别不平衡的问题,首先借助基于条件的生成对抗网络框架进行数据分布的学习,然后利用训练好的框架模型生成少数类样本以缓解类别不平衡问题,接着将生成样本与原始样本混合进行分类模型学习,最终使用学习好的分类器预测药物-靶标相互作用。2.针对现有预测模型所携带的“灾难性遗忘”问题,利用持续学习中基于“重放”的相关理论,结合上述的基于条件的生成对抗框架,使得基于已有样本数据训练所得的模型在学习新的样本数据时仍能够较好地掌握已学到的数据特征,最终提供一个可扩展的药物靶标相互作用预测模型。实验结果表明:本文基于条件的生成对抗网络框架的上采样方法能有效缓解药物-靶标相互作用预测的类别不平衡问题,有利于后续分类器的学习;基于生成对抗框架的持续学习方法能通过单个模型的持续更新完成对多细胞系数据的持续学习,增强了模型的可扩展性。以上研究工作为药物-靶标相互作用预测的研究工作提供了新的、有益的思路。