药物重定位指的是挖掘已有药物的新治疗作用,已经成为药物设计的重要研究领域。药物重定位的有效途径是预测药物和靶标的相互作用(Drug-Target Interaction,DTI)。仅依靠生物实验进行药物和靶标关系识别,难以在大量药物、靶标中找到有效的药物-靶标对。基于矩阵分解的协同过滤技术在药物-靶标关系预测领域取得了不错的成果。但是仍然存在不足之处:首先,先前矩阵分解方法不能有效利用标签信息和无标签信息,因此如何有效学习数据是亟待解决的问题。其次,药物和靶标的相互作用矩阵非常稀疏,对矩阵分解的准确性极易造成影响。为克服上述困难,提高药物-靶标关系预测的效果,主要工作和创新如下:针对矩阵分解无法有效学习数据信息的问题,提出半监督图正则化矩阵分解(Semi-Supervised Graph Regularization Matrix Factorization,SSGRMF)算法。首先为了学习有限的药物标签信息,引入标签矩阵改进无监督的非负矩阵分解,构造半监督矩阵分解模型。然后为了学习药物数据和靶标数据的局部几何结构,采用药物图正则化和靶标图正则化,使分解过程中原始空间中彼此接近的药物或靶标在学习的流形中同样彼此接近。最后,根据药物、靶标图正则化和标签约束扩展非负矩阵分解模型,进行药物-靶标关系预测。为评估模型的性能,在yamanishi数据集上进行对比实验,与对比的两种矩阵分解方法相比SSGRMF取得最高AUC和AUPR值,结果表明SSGRMF算法在标签数据有限的情况下可以有效学习数据的特征,在DTI预测上性能更优。针对DTI矩阵稀疏的问题,将辅助深度自动编码器引入SSGRMF算法中,提出深度协同过滤(Deep Collaborative Filtering,DCF)算法。首先为了利用药物、靶标原始结构信息,设计一种并行输入的辅助深度自动编码器,用于同时提取DTI矩阵和药物、靶标的潜在特征。然后将辅助深度自动编码器融入SSGRMF中,训练模型求解最优的药物潜在影响因子和靶标潜在影响因子。最后通过矩阵补全预测出可能发生反应的药物-靶标对。为了验证模型,将深度协同过滤算法在增加药物、靶标特征的yamanishi数据集上进行实验,对比最新的两种DTI预测方法有更优秀的效果。证明本文算法能够缓解DTI矩阵稀疏问题,提高DTI预测准确性。并且将推荐的前十名药物-靶标对,与公开数据库比对,结果有70%的药物-靶标对得到了认证,证明本文方法在药物重定位中的可行性。