药物分子和靶标蛋白亲和性的成功鉴定在药物发现的虚拟筛选阶段和现有药物的再利用环节中起着至关重要的作用。本文主要从亲和力值预测模型的输入、编码和解码三个角度研究了药物-靶标作用表示与预测方法,以提升预测准确率。本文基于生物领域问题的特点,参考了自然语言处理、多模态融合和推荐算法领域的先进思想,改进了上述三个阶段。主要研究内容包括:（1）基于多粒度表示的药物-靶标亲和力值预测方法研究,对药物、蛋白质的输入序列表示做出了改进。参考自然语言处理领域的无监督分词方法,在大规模序列数据上学习出一个Sentence Piece分词器,对输入序列分词,得到药物SMILES序列和靶标蛋白质氨基酸序列的子词表示。将字符表示和子词表示的两种表示方式相结合,把有监督学习与无监督学习统一,提出基于多粒度表示的药物-靶标亲和力预测方法。该方法最终在KIBA的几个数据集和davis-uniq数据集上提升了原模型的预测准确率。（2）基于交互编码的药物-靶标亲和力值预测方法研究,使用了相互/协同注意力网络,借鉴了外部注意力机制网络组件,设计了基于注意力机制的动态池化网络。将上述网络组件按交互特点分为了“显示”与“隐式”两类,并结合了多模态早中晚期三个融合位置提出了6个改进的交互编码模块。从实验结果可以看出,本文所提出的交互编码器改进,无论是“显示”还是“隐式”的编码模块,都可以在所有数据集上提升模型的预测能力。（3）基于Wide＆Deep的药物-靶标亲和力值预测框架,采用了Avalon指纹、Morgan指纹和MACCS结构密钥作为Wide部分的特征,与以序列特征作为输入的深度神经网络共同构成了药物-靶标亲和力值预测模型的Wide＆Deep网络结构。实验结果表明,无论是原来的独立编码器还是本文提出的交互编码器,在解码阶段结合了Wide部分的分子指纹特征后,各个数据集上的预测效果都有了一定的提升。