传统的药物研发(合成新物质的方法)耗时,又昂贵,成功率低,该模式遇到发展瓶颈。近现代的实验化学、理论化学、药理学和毒理学等学科的发展,揭示了一些化合物与蛋白质之间绑定的特征,但仍然有限,这制约了药物研发的进程。基于天然植物、动物、矿物化学成分的方法在药物研发过程中一直占有重要位置,并积累了大量的实验数据。如何从这些实验数据中抽取更多化合物与蛋白质之间绑定的特征,预测新的化合物与蛋白质之间绑定关系,对于药物研发具有重要的提示性作用。近些年,随着人工智能得到迅猛发展,各领域积极引入基于深度学习的实验方法,并且取得了突破性进展。深度学习也称为分层学习,该方法主要是受生物大脑启发所设计出来的模型。深度学习在规模较大的原始数据规模上,通过逐层变化自动提取特征,并对提取的层次化特征自动学习。由于深度学习可以对特征自动进行提取,对研究者的专业知识没有太高要求,并且速度快,精度高,对处理数据量规模较大的实验占据很大优势,从而为抽取更多化合物与蛋白质之间绑定特征提供了新的途径。本文利用了深度学习模型中的密集连接,通过在不同层之间增加跳跃连接加强了模型的信息交流,帮助模型学习到更加鲁棒的特征,还可以解决深度神经网络训练中的梯度消失问题,保证模型的收敛。本文最终使用的深度神经网络模型由化合物特征网络、蛋白质特征网络以及联合判别网络组成,每个网络分别由3,3,4个密集连接块组成,每个密集连接块内的神经元数量分别为1945、1912、1284,1386、2107、1027,2652、1515、2345、2325,参数总量约为36.63M。本文从数据处理,构建,训练,优化模型从而训练得到最终模型,该过程尝试多种方法,耗时两年时间,得到最优模型在测试集的Accuracy为98.29%,Precision为93.55%,F1-Score为94.04%,Recall为94.54%。本文使用的基于密集连接神经网络模型对化合物与蛋白质绑定关系的研究得到了较好的结果,为后续的研究提供了新的思路和实验数据。