新药研发往往需要耗费漫长的时间,伴随着高损耗率和巨额成本。缩短研发时间及降低研发成本成为研究的热点,其中利用药物可能与设计以外的靶标分子产生作用的多药理学特性,使“旧”药物治疗新适应症便是一个可行的策略。药物靶标相互作用的正确识别和验证是药物重定位的基础,但是“旧”药物发现“新”靶标的过程充满随机性,且药物和靶标的多样性以及关系的复杂性使得药物靶标相互作用的实验费时且昂贵。通过计算辅助识别筛选出可能药物靶标相互作用对作为候选,为生物实验推荐优先验证靶标,能够有效减少时间和成本。本文就药物靶标相互作用预测问题提出了一个新的模型INDTI（Interactive inference network for drug-target interactions prediction）。INDTI以交互推理网络为基础框架,包括嵌入层、编码层、交互层、特征提取层和输出层。嵌入层和编码层的组件能根据需求而更改,并能够与其他层实现兼容,具有很强的可扩展性。为了捕捉药物和靶标特征向量中的短距离特征和长距离特征,本研究分别采用了卷积神经网络编码器和自注意力机制编码器提取药物和靶标的分子序列表征。其中针对药物,本研究同时使用Morgan和Pub Chem两种药物分子指纹作补充,使得药物嵌入能够拥有更丰富的特征信息。INDTI通过交互层模拟相互作用过程,通过呈现交互空间来实现对药物和靶标相互作用的理解,在保持高水准预测性能的同时实现了药物和靶标相互作用预测的可解释性。本文将INDTI与同类型方法在相同数据集中进行比较,结果显示INDTI模型中基于CNN编码器训练,同时串联Pub Chem指纹的模式在各种模型评价指标上取得最佳成绩。另外,INDTI应用于独立数据集,即不同的蛋白家族和药物相互作用预测时性能稳健,同样具有较好的健壮性。本研究还利用INDTI模型对阿尔茨海默病的22种相关靶标进行了预测,并对其中部分靶标进行了验证。实验结果表明INDTI模型预测具备有效性和可靠性。本研究开发的INDTI算法能够有效预测药物靶标相互作用,可以为体外生物医学实验推荐优质验证靶标,从而提高验证成功率同时降低由于实验验证带来的时间和资金成本。