药物靶点关系是药物研发过程中不可缺少的信息。因此,药物靶点相互作用相关的研究已经成为药学研究的热点。传统的实验方法验证药物靶点相互作用关系效率很低,需要花费大量的时间和精力,并且费用也十分高昂。这大大制约了药物的研发速度,阻碍了医学技术的进步。随着科学技术的发展,越来越多的专家学者利用计算机技术辅助药物靶点关系的预测,极大地提升了实验效率,缩短了药物研发的周期。现有的药物靶点关系研究中主要存在两大问题。首先,传统二部图模型的研究中大多认为未知相互作用的药物靶点对之间不存在相互作用关系。实际上,未知相互作用的药物靶点对之间是否存在相互作用关系并未被证实。如果直接将未知相互作用关系的药物靶点对当作不存在相互作用,可能会影响预测的准确率。其次,现有已知阳性样本占比较小,数据库中的阴性样本较多,导致现有药物靶点数据集存在失衡问题,严重影响了预测性能的提升。针对上述问题,本文将未知相互作用关系的药物靶点对看成是未标记样本,通过多源信息加权融合模型和协同过滤的方法对原有的数据集进行修订,然后,采用修订后的数据集利用二部图模型进行预测,提升了预测效果。具体研究内容如下:（1）基于多源信息加权融合模型的药物靶点预测针对传统二部图模型数据集存在假阴性样本的问题,本文提出一种基于多源信息加权融合模型（Multi-Source Information Weighted Fusion Model,MSIWF）的药物靶点预测算法。首先,从未知相互作用关系的药物靶点对中筛选出一部分可能存在相互作用的药物靶点对。其次,将这些药物靶点对加入到阳性样本中,视为已知存在相互作用关系,并对原始相互作用关系矩阵进行修订。采用修订后的数据集,利用二部图预测模型进行药物靶点之间的关系预测。实验结果表明该模型在特异度、灵敏度、精确率、准确率和F1度量等指标上表现优异,提升了传统二部图模型的预测性能。（2）基于协同过滤平衡数据集的药物靶点预测针对现有数据集样本失衡的问题,本文提出了一种基于协同过滤平衡数据集（Balance Datasets Based on Collaborative Filtering,BDCF）的药物靶点预测算法。本文在多源信息加权融合模型修订的数据集基础上,采用协同过滤算法平衡数据集,利用二部图模型进行药物靶点关系预测。本文提出的基于协同过滤平衡数据集的药物靶点预测模型在特异度、灵敏度、精确率和准确率方面,与MSIWF预测模型相比均有所提高。实验结果表明,与现有最新的药物靶点预测方法相比,本文算法在接受者操作特征曲线下面积（Area Under Roc Curve,AUC）、精确率-召回率曲线下面积（Area Under Precision Recall Curve,AUPR）等指标上表现优异。