技術特征：
1.一種基于機器學習的藥物活性預測方法，其特征在于，包括以下步驟：(1)根據藥物靶標數(shù)據庫中的信息，獲取樣本藥物對應的藥物靶標；(2)根據遺傳病相關數(shù)據庫中的信息，獲取遺傳性疾病對應的相關基因信息；(3)根據步驟(2)中獲取的遺傳性疾病對應的相關基因信息從步驟(1)得到的藥物靶標中篩選出與遺傳性疾病關聯(lián)的靶標基因；(4)獲取每個樣本藥物的特征屬性，所述特征屬性為樣本藥物對應的藥物靶標與遺傳性疾病關聯(lián)的靶標基因的相關關系；以每個樣本藥物的特征屬性為輸入向量，以樣本藥物的活性為輸出，建立模型；(5)根據步驟(1)、(2)和(3)獲取待測藥物的特征屬性，帶入步驟(4)中的模型，即可預測待測藥物的活性。2.根據權利要求1所述的基于機器學習的藥物活性預測方法，其特征在于，所述與遺傳性疾病關聯(lián)的靶標基因包括遺傳性疾病強相關基因和遺傳性疾病相關基因；所述特征屬性是指藥物對應的藥物靶標中遺傳性疾病強相關基因的個數(shù)、遺傳性疾病強相關基因占該藥物對應的藥物靶標總數(shù)的比例、遺傳性疾病相關基因的個數(shù)以及遺傳性疾病相關基因占該藥物對應的藥物靶標總數(shù)的比例。3.根據權利要求1所述的基于機器學習的藥物活性預測方法，其特征在于，所述步驟(1)中的藥物靶標數(shù)據庫為DGIdb數(shù)據庫。4.根據權利要求1所述的基于機器學習的藥物活性預測方法，其特征在于，所述步驟(2)中的遺傳病相關數(shù)據庫包含SZGene、PDGene、GAD、DiseaseInt、GWASdb和OMIM。5.根據權利要求1所述的基于機器學習的藥物活性預測方法，其特征在于，所述步驟(4)中，通過支持向量機方法、樸素貝葉斯法或邏輯回歸法建立模型。6.根據權利要求1所述的基于機器學習的藥物活性預測方法，其特征在于，通過支持向量機方法建立模型，所述支持向量機方法為C-分類機方法，所述模型為：其中C表示懲罰參數(shù)，其值為1；(xi,yi)分別表示第i個樣品的特征屬性和活性，K(xi,xj)表示核函數(shù)，所述核函數(shù)為線性核函數(shù)，即7.根據權利要求1所述的基于機器學習的藥物活性預測方法，其特征在于，所述步驟(4)中，通過邏輯回歸法建立模型，所述模型為：其中p＝P{Y＝1|X1,X2,…,Xk}，1-p＝P{Y＝0|X1,X2,…,Xk}，表示p的邏輯變換，(X，Y)分別表示樣品的特征屬性和活性。8.根據權利要求1～7中任一項所述的基于機器學習的藥物活性預測方法，其特征在于，所述樣本藥物包括作為正樣本的樣本藥物和作為負樣本的樣本藥物，所述正樣本與待測藥物的治療疾病相同，所述負樣本與待測藥物的治療疾病不同，所述樣本藥物均為活性藥物。9.根據權利要求8所述的基于機器學習的藥物活性預測方法，其特征在于，所述正樣本和負樣本的數(shù)量相同。