药物-靶标相互作用预测在药物发现和设计中往往扮演着重要的角色。采用传统的生物实验来预测药物-靶标相互作用关系耗时耗力,因此开发合适的计算方法来加快药物研发进度、降低药物研发成本显得尤为重要。本文将药物-靶标相互作用预测定义为二分类或者链接预测问题,并基于图神经网络设计出如下几个模型对药物-靶标相互作用预测展开研究:1.为充分从药物和靶标的表达谱数据中提取特征,首次使用图卷积分别提取药物和靶标的特征,并用卷积神经网络捕获药靶间隐含的关联关系,将其拼接后使用分类器进行分类预测。2.针对多组学数据中药物和靶标相似性矩阵在离散化过程中可能造成信息丢失的问题,首次提出权重优先随机游走的图嵌入策略。首先根据权重大小获得多组游走序列并得到节点的嵌入表示,然后使用分类器做出预测。3.针对难以充分利用已知药物-靶标间关联关系的问题,首先根据药物和靶标相似性矩阵和药靶关联矩阵构建一个异构图;然后,在异构图上设计图卷积,并首次引入图注意力机制以获取有意义的节点嵌入表示;最后使用解码器给出预测结果。本文根据药物和靶标的表达谱数据和多组学数据,提出了三个不同模型,分别解决了如何有效提取药物和靶标特征信息,如何避免数据离散化过程中造成信息丢失,以及如何充分利用药物-靶标关联关系等三个不同问题。使用真实数据与同类的其他模型做了不同的对比实验,均得到了更优的实验结果。这些工作丰富了药物-靶标相互作用预测的计算方法,也对药物研发具有积极的推动作用。