近些年,由于人类的肆意破坏,地球环境质量越来越差,对人体造成的伤害也越来越严重,大量新的疾病以及传统的疾病无法根除,许多新的药物亟待研制,对药物研发工作者的压力十分巨大,传统的药物开发过程十分漫长和复杂,大量的候选药物在临床试验阶段被淘汰。因为化合物作为药物,在生物体中发挥作用需要面对大量的考验,许多具有针对性的药物在实验中表现出很高的活跃性,但是当它真正作用于生物体时,由于生物体本身的复杂性以及化合物在体内作用时的不确定性,出现许多不理想的结果,甚至严重的副作用。所以提高候选药物的质量显得尤为重要。而药物的研发阶段中,对受体的准确匹配是一个重要的要求,这样可以提高候选药物研发的有效性；同时,由于生物体作用机制复杂的原因,确定药物是否满足药代动力学模型也是非常关键的一环,这会帮助候选药物在临床试验中降低淘汰率。本文主要是从目前运用广泛的机器学习的角度出发,结合药物的基本属性,建立预测模型来提高候选药物的成功率。文章的第一部分围绕着药物与靶标之间存在的关系,建立相互作用网络,利用已知相互作用数据,基于网络推理的方法,来预测未知药物与靶标之间是否相互作用。第二部分的研究工作主要集中在人体细胞色素P450酶的抑制性研究,因为P450这种人体细胞色素酶在生物体主导了绝大多数已经被使用的药物的氧化代谢反应,药物对这种细胞色素酶表现出抑制性与否,直接这种药物的实际使用价值相关。所以,在药物研发过程中,候选药物对于这种酶的抑制性十分重要。本文的第三部分,从化合物的基本属性-水溶性角度出发,建立机器学习模型来预测化合物的水溶性。因为目前许多上市药物是属于口服药物,其在生物体中的吸收代谢,与其自身的水溶性息息相关。