在药物发现的课题中,我们可以通过研究药物和蛋白质相互作用来达到发现药物的目的。药物蛋白质亲和度指的是药物和蛋白质相互作用后结合的强度。因此找出蛋白质和配体药物的亲和度问题至关重要。最早期,药物发现只能依靠人们偶然发现。直到生物、化学等学科逐渐发展起来后,人们在实验中发现了药物。并且随着生物化学研究的深入,人们可以开始有目的性的设计药物。但是直到这个时期,所有的药物发现课题都只能依靠临床实验的方式进行,然而临床实验的方式耗时长且花费大,并且成功率也无法得到保证。随着计算机学科的发展,计算方法被引入药物发现的课题中。在预测药物蛋白质相互作用亲和度问题上,计算方法表现出了卓越的优势。不仅成功率更高、速度更快,而且极大地降低了经济成本。目前主流的计算方法主要有以下几种:基于分子对接方法、基于相似度的方法和基于机器学习方法。基于分子对接的方法需要了解蛋白质和药物小分子的三维结构,在三维空间中找到蛋白质和药物的最佳结合位点,并预测结合亲和度。基于相似度的方法主要依赖于一个假设:具有相似序列和结构的药物或蛋白质应该在其生物功能的表现上也具有相似性。而目前最主流的方式是使用机器学习的方法,机器学习方法主要依赖机器的计算能力去学习蛋白质和药物中潜在的一些特征,从而达到能够预测未知蛋白质和药物亲和度的目的。但是目前的很多运用于药物蛋白质亲和度预测的机器学习方法都不具备可解释性。本文提出了一种基于Attentive Pooling Networks的药物蛋白质亲和度预测模型,并且该模型具有生物层面的可解释性。该模型在数据处理部分的主要特点是运用了“分词”的方法,而网络部分主要特点是运用了双向注意力机制。实验部分,依据蛋白质的两种不同表示方式(氨基酸序列、结构域和基序)设置了两组实验,最终实验结果表明使用结构域和基序来作为蛋白质表示能够达到更好效果。此外,本文还设置了三组对比实验,前两组分别去掉实验中数据处理部分的“分词”思想和网络构建部分的双向注意力机制思想,与原实验模型的结果进行对比,最终实验结果表明缺少任意一个部分都会使实验的结果变差。第三组中,对比在实验模型中使用LSTM和GRU处理蛋白质和药物的结果差异,结果证明使用GRU的效果略好于使用LSTM。