药物-靶标关系及分子靶标的预测对于早期候选分子成药性及安全性评价、天然产物靶标发现及结构优化、药物新机制发现等研究具有重大意义。药物-靶标相互作用本质上是分子识别的过程，涉及多种影响因素以及多种因素间的相互作用。针对药物-靶标关系预测的难点问题，申请人将药物-靶标关系预测问题转化为基于化学大数据的关系型数据建模问题，从多数据融合角度出发，整合来自多维度化学空间、生物空间以及相互作用空间的信息，发展了多数据融合的AI算法对分子识别进行研究。基于多尺度融合思想，通过整合多层面多水平的药物和蛋白靶标信息提出基于协同过滤推荐系统实现药物-副作用/靶标关系预测的多尺度系统药理学模型，并用于大规模药物靶标和副作用的预测，模型预测精度达到91%以上，并成功发现了抗癌新药伊沙匹隆耐药的新机制，体内实验证实自噬抑制剂氯喹和伊沙匹隆合用可增强伊沙匹隆治疗乳腺癌的敏感性。 进一步发展了一种迭代分子靶标筛选策略，通过组合相似性靶标预测算法、多靶标QSAR算法和基于机器学习重打分的分子对接算法，实现生物靶点的准确预测；将该策略首次引入到天然产物甲基莲心碱的作用机制研究，成功发现了和甲基莲心碱结合的五个靶标，揭示了甲基莲心碱的镇静催眠、抗心律失常、抗血栓生成、抗心肌纤维化和抗多药耐药机制，并从细胞水平和动物水平验证该分子的抗多药耐药机理。基于化学基因组学思想，通过整合化学分子结构特征、蛋白质序列特征及相互作用网络特征发展了基于多任务集成学习的大标度分子靶标预测新方法和在线预测平台TargetNet；该算法应用到雷帕霉素、土贝母皂苷及卷柏属化学成分的靶标识别研究，分别成功鉴定了雷帕霉素的耐药新机制、土贝母皂苷的抗乳腺癌靶标以及卷柏属化学成分抗阿尔兹海默症的分子靶标，并在细胞及动物实验水平上获得验证。