确定与药物相互作用的蛋白在药物开发初期起着重要作用,同时它也在药物重定位中扮演着重要角色。传统做法中,药物-蛋白的相互作用往往通过生物实验进行识别和验证,这种做法需要较高的时间成本和经济成本。湿实验室实验可以利用计算方法预测得到的候选蛋白进行实验,这种方法不仅可以降低药物开发的成本,而且减少了所需时间,加速了药物开发的进程。目前预测药物和蛋白之间的相互作用的大多数方法聚焦在利用与药物和蛋白相关的不同数据。然而,这些方法没有充分学习并融合药物和蛋白节点的成对属性分布,拓扑以及属性信息。而这将对模型的性能造成影响。本课题提出了三个新方法CVDTI、GVDTI、MGVDTI,来预测药物和蛋白之间的互作关系。CVDTI不仅整合了药物,蛋白和疾病相关的相似性,相互作用和关联性,而且利用卷积变分自动编码器深度融合了药物和蛋白节点的相关信息,学习得到了一对药物和蛋白节点的属性分布和属性表示。药物和蛋白节点最初的属性信息较为稀疏,有着较高的维度。本课题通过CVDTI,将药物,蛋白相关的属性信息投影到了低维的属性空间,并使其服从了高斯分布,以增强模型的性能。实验结果表明,CVDTI优于几个最新的药物-蛋白互作预测方法。近年来,越来越多的研究证明了网络拓扑结构和注意力机制的重要性。因此,本课题提出了基于属性级注意图卷积自动编码器的药物-蛋白互作预测方法,GVDTI。它从药物相似、药物-疾病和药物-蛋白相关的各个子网络中提取和嵌入隐藏的拓扑结构。由于节点属性向量中的单个属性对拓扑嵌入有不同的贡献,本文在节点属性层面上提出了新的注意机制来自适应学习并反映每个子网络节点属性的不同贡献。对比结果表明,GVDTI的预测性能更好一些。为了更全面的考虑药物,蛋白相关网络的拓扑结构,本课题提出了一个新的方法,MGVDTI。它在GVDTI的图卷积模块中新增了一路,以提取异构网的拓扑表示。此方法不但构建了更全面的属性网（药物相似信息、蛋白相似信息、药物与蛋白的互作信息、药物与疾病的关联信息以及蛋白与疾病的关联信息）,并且从药物相似网,蛋白相似网,药物-蛋白异构网以及它们相对应的属性网中分别得到了各个节点的拓扑表示。随后,利用卷积对成对的拓扑表示,属性表示以及属性分布进行融合,进而预测药物-蛋白的互作分数。结果显示,与其它方法相比,MGVDTI的召回率得到了较大的提升,预测结果也更为准确,能够检索出更多的互作关系。此外,本文还对quetiapine、verapamil、amitriptyline、clozapine、ziprasidone五个药物进行了案例研究,以进一步证明MGVDTI能够发现潜在候选蛋白的能力。