La clave para el descubrimiento y desarrollo de nuevos medicamentos es, ante todo, la búsqueda de objetivos moleculares de los fármacos, avanzando así en el descubrimiento de medicamentos y el reposicionamiento de fármacos. Sin embargo, las interacciones tradicionales entre fármacos y objetivos (DTIs) son un proyecto costoso, prolongado, de alto riesgo y con una baja tasa de éxito. Por lo tanto, cada vez más empresas farmacéuticas están tratando de utilizar tecnologías computacionales para examinar moléculas de fármacos existentes y descubrir nuevos medicamentos, lo que lleva a acelerar el desarrollo de nuevos fármacos. En el estudio actual, diseñamos un modelo computacional de aprendizaje profundo MSPEDTI basado en la estructura molecular y la evolución proteica para predecir los potenciales DTIs. El modelo primero fusiona la información evolutiva de proteínas y la información de la estructura del fármaco, luego utiliza una red neuronal convolucional (CNN) de aprendizaje profundo para extraer sus características ocultas, y finalmente predice con precisión los DTIs asociados mediante una máquina de aprendizaje extremo (ELM). En experimentos de validación cruzada, MSPEDTI logró una precisión de predicción del 94.19%, 90.95%, 87.95% y 86.11% en los conjuntos de datos de referencia de enzimas, canales iónicos, receptores acoplados a proteínas G (GPCRs) y receptores nucleares, respectivamente. MSPEDTI mostró su capacidad competitiva en experimentos de ablación y en comparación con métodos anteriores excelentes. Además, 7 de 10 DTIs potenciales predichos por MSPEDTI fueron corroborados por la base de datos clásica. Estos excelentes resultados demuestran la capacidad de MSPEDTI para proporcionar objetivos confiables de candidatos a fármacos y facilitar en gran medida el desarrollo del reposicionamiento de fármacos y el desarrollo de medicamentos.