在药物-疾病靶标相互作用关系预测问题中,由于传统方法的局限性,如:训练样本量不足、已知蛋白质靶标的3D晶体结构较少、计算效率不高,导致其效果往往不尽如人意。随着人类基因组计划的完成,可以获得更多有关于药物或疾病的化学结构或者基因组的数据。这就意味着对于预测任务,数据源不仅仅只有相互作用关系数据,还有大量的辅助信息,因此如何高效地整合获取的辅助信息显得尤为重要。随意整合多个数据来源的辅助信息,可能会因为引入大量的异源噪声和偏差,反而适得其反,降低药物-靶标相互作用预测的精度。现有的异源数据之间存在以下几个问题:（1）数据信息通常存在噪声、缺失值等,且信息与信息之间也存在大量的冗余信息;（2）数据整体的规模较大,维度高,难以高效地表示其特征,但是已知数据却往往较为稀疏。如此可见,如何有效的融合多个数据来源的多相似性信息是值得这里研究和思考的。本文主要针对以上问题深入研究,总结如下:第一,提出了基于多相似性选择的机器学习方法,构造药物-疾病异构图,该图包含有关已知相互作用关系的信息,以及药物之间的相似性以及从不同数据源获得的疾病靶蛋白之间的相似性。首先,针对多个相似性数据,利用熵值和相互关系系数衡量每个相似性数据的信息冗余度,从中挑选出冗余信息少的相似性数据子集。其次,应用非线性相似性融合方法——SNF将药物和靶蛋白的不同相似性进行融合。利用融合的相似性数据以及基于异构图的图特征信息,运用机器学习分类方法——随机森林模型进行未知关系的预测。实验结果表明提出的改进方法在一定程度上改进了预测精度。第二,考虑到多个相似性数据集中到一个相似性矩阵中容易造成信息过载,从而导致效率的下降;基于此,提出基于多相似性的矩阵分解模型。在前面选取的最佳相似性数据子集中,对多个相似性矩阵和相互作用关系矩阵进行联合分解,利用每个相似性的潜在因子特征进行预测任务。进行的交叉验证实验说明在对相互作用关系预测问题上,该模型是合理有效的。