截止目前，SARS-CoV-2已造成了超过683万人死亡，且感染和死亡人数仍不断攀升。疫苗接种是预防SARS-CoV-2的第一道防线，但只有使用的疫苗与毒株亚型一致时，疫苗预防才能获得较好的保护效果。在全球范围内虽然已经存在Molnupiravir以及Paxlovid等针对新冠病毒感染的治疗药物，但其作用靶点通常较为单一，例如Paxlovid主要作用于病毒的3CLPRO靶点，故亟需研发新型广谱抗新冠病毒的小分子特效药应对不断突变的新冠病毒。 与此同时，由于Mpro和PLpro是病毒特有的蛋白，也是冠状病毒药物研发的重要靶标。因此，本课题组将定向消息传递神经网络、迁移学习、分子对接、成药性评价方法有效结合，提出了TLChemprop策略，并从PubChem、ChEMBL和相关文献中获得源域和目标域数据集，构建基于深度迁移学习方法的Mpro/PLpro双靶点抗新冠病毒抑制剂筛选模型。 结果显示，迁移学习方法的引入使得模型分别在Mpro（AUC值从0.81提高到0.90）和PLpro靶点（AUC值从0.73提高到0.89）上获得了更佳的预测效果。运用已构建的Mpro/PLpro双靶点抗新冠病毒抑制剂预测模型，筛选DrugBank数据库并获得综合打分排名前5%的苗头化合物，用于后续Mpro和PLpro靶点酶活测试以及抗新冠病毒细胞活性测试。依据与其他学者模型的比较结果，本文认为本课题组构建的基于深度迁移学习方法的Mpro/PLpro双靶点抗新冠病毒抑制剂筛选模型表现优异，能够为防控新冠疫情提供一个良好的药物筛选工具。