Como base para la selección de candidatos a fármacos, la identificación de interacciones fármaco-blanco (DTIs) juega un papel crucial en la investigación de fármacos innovadores. Sin embargo, debido a las limitaciones inherentes de los experimentos en húmedo a pequeña escala y que consumen mucho tiempo, el reconocimiento de DTIs suele ser difícil de llevar a cabo. En el presente estudio, desarrollamos un enfoque computacional llamado RoFDT para predecir DTIs combinando el Bosque de Rotación Ponderado por Características (FwRF) con una secuencia de proteínas. En particular, primero codificamos las secuencias de proteínas como matrices numéricas mediante la Matriz de Puntuación Específica por Posición (PSSM), luego extraemos sus características utilizando la Matriz de Puntuación Específica por Posición Pseudo (PsePSSM) y las combinamos con información de la estructura del fármaco: huellas moleculares, y finalmente las alimentamos al clasificador FwRF y validamos el rendimiento de RoFDT en conjuntos de datos de Enzimas, GPCR, Canales Iónicos y Receptores Nucleares. En el conjunto de datos mencionado, RoFDT logró una precisión del 91.68%, 84.72%, 88.11% y 78.33%, respectivamente. RoFDT muestra un rendimiento excelente en comparación con modelos de máquinas de soporte vectorial y enfoques superiores anteriores. Además, 7 de los 10 DTIs principales con puntuaciones estimadas por RoFDT fueron comprobados por la base de datos relevante. Estos resultados demuestran que RoFDT puede ser utilizado como un enfoque predictivo poderoso para DTIs y proporcionar apoyo teórico para el descubrimiento de fármacos innovadores.