药物研发是促进社会健康稳步发展的重要手段,药物与靶标蛋白的识别是当代新药研制的关键。在过去的几十年里,人们进行了许多生物学实验来确定药物和靶标之间的相互作用,但都越不过研发周期长、成本高效果低以及需要大量财力物力这三大障碍。随着大数据处理技术的飞速发展,智能计算应运而生,研究人员可以通过计算机的模拟、计算和预测药物与靶标蛋白之间的关系,来解决传统方法存在的缺陷,整合提取药物和靶标蛋白的特征数据,利用计算机模拟手段挖掘药物分子与靶标蛋白之间的作用关系,对于新药研发和人类医疗的改善具有十分重要的意义。本文采用基于矩阵补全的方法,使用深度学习相关模型对药物-靶标相互作用进行分类预测,将药物-靶标相互作用预测当作矩阵补全任务,补全药物靶标相互作用矩阵,分别对药物化合物分子和靶标蛋白序列进行数值化表征,并利用强大的图神经网络模型对药物靶标进行关联预测,最终补全相互作用矩阵当中的缺失值,所提方法如下:（1）提出一种基于图卷积矩阵补全的药物靶标相互作用预测方法GCMCDTI。本方法采用图自编码器结构框架,可以综合考虑药物与靶标之间的结构信息以及药物和靶标各自的边信息。采用图卷积自编码器框架对药物-靶标二部图中的异质节点进行编码得到嵌入后的药物和靶标特征,使用双线性解码器重构药物靶标相互作用矩阵,对其中的缺失值进行补全,从而达到预测潜在药物靶标相互作用的目的。实验结果显示,GCMCDTI模型在酶、GPCR、离子通道和核受体四个数据集上的AUC值分别达到95.78%、95.31%、93.90%和91.77%,AUPR值分别为94.50%、93.26%、92.02%和95.68%。（2）提出一种基于关系图神经网络补全矩阵的药物靶标相互作用预测方法RMCDTI。在基于图卷积矩阵补全的药物靶标相互作用预测方法的基础上,采用一种不同于直推式的方法,不需要将整个相互作用矩阵作为输入,而是推断单个药物-靶标对是否关联。本方法采用归纳的方式在药物靶标相互作用矩阵中提取关于目标药物-靶标对的封闭子图,训练关系图卷积网络将子图映射到预测结果。实验结果显示,RMCDTI模型在酶、GPCR、离子通道和核受体四个数据集上的AUC值分别为96.97%、91.27%、95.41%和86.68%,AUPR值分别为97.37%、92.18%、95.75%和88.36%。