近年来，基于机器学习的药物筛选方法被广泛研究和应用。但是，高质量数据的稀缺以及数据间的异质性带来了诸多挑战。本研究提出了基于多模态多任务的药物筛选方法，通过整合不同类型的生物信息数据和任务，利用模态及任务间的互补性来弥补数据信息缺失造成的干扰，从而提高药物筛选的准确性和效率。该方法将药物分子结构特征、蛋白序列、蛋白结构等多种生物信息数据纳入考虑，并采用多任务学习算法同时处理不同任务，例如预测药物的生物活性、副作用和作用靶点等。此外，还应用了图网络和注意力机制等算法，以挖掘数据之间的潜在关联和提高预测性能。该方法在多个真实数据集上都表现出了优异的药物筛选性能，预测准确率显著提高。进一步，我们利用这套算法构建了干湿迭代的药物筛选平台，以新冠病毒3CL蛋白为靶标，通过数次迭代循环后，以超过50%的命中率筛选到了多种活性较高的小分子抑制剂。综上，基于多模态多任务学习的药物筛选方法为药物研发提供了一种高效、低成本、高准确率的筛选手段，具有重要的理论和实践意义。