肿瘤目前是居高不下的一种严重疾病,威胁着人类的健康和生命。肿瘤由多种因素引起导致,使用单一药物治疗往往会导致产生耐药性,难以完全控制病情。药物联合治疗能有效降低癌症治疗耐药性问题,可以同时针对多个靶点,发挥协同作用,提高治疗效果,延长患者生存期。随着高通量筛选方法的发展,研究人员可以通过体外实验发现协同组合,但这样大规模的进行药物组合实验筛选需要耗费大量时间和成本,因此迫切需要一种更高效的方法来筛选药物组合。本文以抗肿瘤药物组合为研究对象,考虑药物组合之间存在相互作用关系,以及细胞系本身特征,并考虑蛋白质与蛋白质相互关联的特征,提出了基于多路相互作用的协同抗肿瘤药物组合预测研究模型,实现更高效、更精准的抗肿瘤药物组合预测。本文首先整理收集了药物组合数据、细胞系的基因表达数据、拷贝数数据和突变数据、药物的SMILES表达数据、蛋白质与蛋白质相互作用网络关联数据组成输入数据集,使用Tsne算法将收集得到的药物SMILES摩根指纹数据和细胞系基因表达数据、突变数据、拷贝数数据进行降维处理;再利用自适应的GCN对降维后的数据进行特征提取;然后结invasive fungal infection合构建的药物与癌症细胞系的PPI网络关系图,提取蛋白质模块拓扑关系,得到药物组合作用机制与蛋白质拓扑结构的关联特征信息,以此构建了基于多路相互作用的协同抗肿瘤药物组合预测模型。另外在基于多selleck Tamoxifen路相互作用的基础上,进一步考虑药物组合在不同浓度下的协同作用反应,通过GCN模块对药物SMILES构建的分子图进行特征提取得到药物特征;再利用Deep FM对细胞系基因表达、细胞系基因表达稀疏矩阵、药物浓度、药物浓度稀疏矩BI 10773阵进行特征提取;然后结合struc2vec模块对PPI网络提取的蛋白质关联特征,组成特征数据集,通过全连接层预测得到最终的百分比增长数,构建基于药物浓度的多路相互作用协同抗肿瘤药物组合预测模型。最后通过对多西他赛与伊马替尼治疗前列腺癌细胞(PC3)、培美曲塞与吉非替尼联合治疗非小细胞肺细胞(NCI-H522)以及培美曲塞与克唑替尼联合治疗非小细胞肺癌(NCI-H322M)进行验证分析;另对药物联合治疗非小细胞肺细胞(NCI-H322M)的648种组合进行预测,对比实验结果验证了所提预测模型能够更高效,更精准的筛选药物组合,具有一定的理论和实际意义。