医药企业传统药物研发存在周期长、耗资大、风险高的问题。药物重定位通过挖掘已有药物的新适应症,即“老药新用”,能够大大缩短整个药物的研发周期并降低研发费用和风险,已成为医药企业进行药物研发的重要策略之一。早期的一些“老药新用”案例往往来自于偶然发现或实验筛选。随着药物、疾病等生物医学数据的大量累积和计算技术的发展,基于计算方法的药物重定位能够为药物研发提供有意义的指导,已成为计算生物学领域的研究热点。尽管已经提出了许多计算药物重定位方法,但如何有效整合各种生物相关数据并构建准确性高的计算模型始终是该领域研究者关注的重要方面。本文的主要研究工作如下:(1)考虑药物-疾病关联网络的拓扑结构信息对预测性能的作用,提出了一种基于整合药物疾病拓扑信息和双向随机游走模型的药物重定位方法。首先基于深度学习算法Deep Walk计算药物-药物、疾病-疾病的拓扑结构相似性,然后与药物化学结构相似性、疾病表型相似性、药物高斯核相似性、疾病高斯核相似性进行融合并使用逻辑函数进行调整,获得改进的药物相似性矩阵和疾病相似性矩阵;在此基础上,构建药物-疾病异构网络并应用双向随机游走算法以预测潜在的药物-疾病关联。在标准数据集上的实验结果及案例分析表明该算法表现出较好的预测性能。(2)针对已知的药物-疾病关联信息存在数据稀疏的情况,考虑疾病或药物实体邻居信息的影响,提出了一种基于相似性融合和两阶段标签传播算法以预测潜在的药物-疾病关联。首先,使用WKNKN方法改进药物-疾病关联矩阵并得到药物余弦相似性和疾病余弦相似性。然后,计算不同相似性的熵值,在此基础上对药物相似性和疾病相似性进行融合并构建新的药物-疾病关联矩阵,最后应用两阶段标签传播算法预测潜在的药物-疾病关联。在标准数据集上的实验结果及案例分析表明该算法具有较好的预测性能。(3)考虑不同的药物重定位方法在发现潜在药物-疾病关联信息能力的优势,提出了一种基于集成学习的药物重定位方法。首先,对稀疏的药物-疾病关联矩阵进行预处理并得到药物线性邻域相似性和疾病线性邻域相似性。然后,对不同的预测模型进行了分析,并对这些预测模型的预测结果进行进一步集成。在标准数据集上的实验结果及案例分析表明该算法表现出较好的预测性能。