在药物发现研究中,药物虚拟筛选模型的建立往往需要使用药物前体分子的生物活性值,因此药物前体分子的生物活性值的准确性对于为目标化合物建立合理筛选模型起到至关重要的作用。因为临床试验需要耗费较长的研发周期、筛选的目标化合物范围广、研发时间消耗长与人力设备资金支持需求大等原因,对单个药物靶标任务来说,由生物实验进行测定的相关药物前体分子往往数量十分有限。本文提出了一种基于矩阵补全的药物前体分子生物活性预测方法。通过将众多的药物靶标任务放在一起利用矩阵补全进行学习,充分利用任务间的关联信息,可以提升药物前体分子生物活性模型的学习性能。此外,为克服已知药物靶标与药物前体分子构成的生物活性关系矩阵中天然存在的大量缺失值问题,本文耦合了药物前体分子的扩展连通性指纹(ECFPs)信息。具体步骤为:首先,获取药物靶标与药物前体分子的生物活性关系矩阵;然后,利用扩展连通性指纹方法获取512维药物前体分子的扩展连通性指纹矩阵信息;接着,将获得的关系矩阵三折交叉验证进行模型训练,获得最优模型参数;最后,获取最优的药物靶标与药物前体分子的生物活性关系矩阵,并得到最优的矩阵补全模型。本文在具有代表性的72个GPCRs药物靶标上进行实验,其覆盖了GPCRs的24个亚家族。结果表明,通过与单任务学习方法和其他矩阵补全方法对比,我们的方法都获得了最好的性能结果。此外,我们的方法总体上优于基于深度多任务学习的预测方法,与Deep Neural Net-QSAR预测方法对比,在相关系数(r~2)上平均提升18%,在均方根误差(RMSE)上平均提升了12%。