药物-药物相互作用（Drug-Drug Interaction,DDI）是指同时或先后服用两种以上药物时,其中一种药物使另一种药物的药理效应发生改变的现象。尽管同时使用多种药物通常会提高治疗效果,但某些组合会出现不需要的DDI,从而导致意料之外的不良药物反应（Adverse Drug Reaction,ADR）。作为一种特殊类型的不良反应,ADR不仅会影响患者的健康,严重情况下甚至会导致死亡。及早地发现和识别DDI能有效防止医疗事故的产生,值得患者、临床医生和医学研究人员关注。随着数据的不断增多,如何从大量复杂多模态数据中更加精准有效地捕捉药物关键特征,以及如何建立一个适应力强、准确度高的模型,仍是一个值得研究的问题。本文针对两类药物相互作用预测展开研究,一类是小分子药物（Small Molecule Drug,SMD）相互作用预测,另一类是SMD和生物制药（Biotech Drug,Bio D）相互作用预测。传统的SMD相互作用预测仅仅是将不同的特征向量进行拼接,而没有考虑特征之间的深层次交互信息和冗余信息。针对这一问题,本文提出了一种基于特征重构和多维注意力机制的DDI预测方法FM-DDI,有效地提取不同模态之间的交互信息并去除冗余,以用于SMD相互作用预测。此外,随着Bio D的发现,由于SMD和Bio D之间的异构性,无法使用传统的DDI预测方法对SMD和Bio D两种类型药物之间的相互作用进行预测。针对这一问题,本文提出了一种基于多模态表示学习的DDI预测方法Multi-SBI,有效地融合异构数据中的复杂信息,以用于SMD和Bio D相互作用预测。论文主要的研究内容和创新点具体如下:（一）提出了一种基于特征重构和多维注意力机制的深度学习方法FM-DDI,用于小分子药物（SMD）相互作用预测。模型首先输入多种药物亚结构特征,并加以组合以减少由单一类型亚结构表示引起的信息缺失。其次,特征重构从异构数据源（药物分子指纹和关联信息）中提取维度低、信息量丰富的药物特征。最后,基于多维注意力机制的深度神经网络模型赋予关键特征维度较高注意力权重,从而有效地捕捉关键信息。与几种最先进的药物相互作用预测方法相比,FM-DDI实现了显著的性能改进。在精神类疾病药物的案例研究中,FM-DDI预测的具有最高置信度的10个DDI中有7个在最新版Drug Bank中得到了验证,进一步证明了FM-DDI提取和学习药物特征以预测SMD相互作用的有效性。（二）提出了一种基于多模态表示学习的深度学习方法Multi-SBI,用于小分子药物（SMD）和生物制药（Bio D）的相互作用预测。考虑到SMD和Bio D之间的异质结构和复杂网络关系,模型首先使用多模态特征来充分表示小分子药物和生物制药的结构信息和网络关联。其次,引入了一种基于正样本无标记学习的欠采样方法PU-sampling,从无标签数据集中获取高置信度的负样本。最后,应用深度神经网络进行药物相互作用预测。实验结果表明,多模态表示学习可以更全面地表示异构药物中的药物特征,PU-sampling可以有效去除未标记样本中的噪声,并且Multi-SBI的性能显著优于其他先进的相互作用预测方法。在对Drug Bank 5.1.0的回顾性分析中,具有最高置信度的20个预测结果中有14个在最新版本的Drug Bank中得到验证,进一步证明了Multi-SBI通过学习药物复杂多模态特征以预测SMD和Bio D相互作用的有效性。