传统的药物研发是个耗时、昂贵、高风险的过程。药物重定位,也称老药新用,由于其使用风险大大降低的已知药物,能缩药物短研发周期、降低投入成本,逐渐成为计算生物学领域的重要研究课题。为寻找治愈疾病的候选药物,研究者提出了许多基于图卷积神经网络的药物-疾病关联预测模型,但其图结构忽略了不同领域节点的差异性。考虑到药物节点和疾病节点属于不同的生物学领域,本文提出一种基于图卷积神经网络的异构信息融合的药物重定位算法（DRHGCN）。DRHGCN利用药物的化学结构信息、疾病的表型信息和已知的药物疾病关联分别构建药物相似性子网络、疾病相似性子网络和药物-疾病关联子网络。基于关联有罪推定假说,以药物-疾病关联子网络为桥梁,将上述三个子网络连接成统一的网络,建模药物重定位为链路预测问题。本文首先分别设计了基于图卷积神经网络的域内特征和域间特征提取模块,域内特征提取模块提取同构子网络内部的特征,域间特征提取模块强调异构子网络间的共性,淡化不一致信息。然后利用层注意力机制和残差连接来增强特征的表达能力。最后使用矩阵分解解码器解码特征得到药物-疾病关联概率矩阵。针对训练样本中已知关联极其稀疏而导致决策偏差,本文采用加权二进制交叉熵损失函数,强化正样本的影响。实验结果表明,在4个基准数据集上同6个主流算法比较,DRHGCN展现了优异的性能。在阿尔兹海默症、帕金森病和新冠肺炎候选药物的案例分析中,外部数据源和分子对接实验的结果表明,DRHGCN能有效预测潜在关联,为生物学家缩小候选药物的搜索空间提供理论指导。