药物-药物相互作用（drug–drug interactions,DDIs）是指在一定时间段内同时服用两个或两个以上的药物产生的复合作用。在医生对患者的治疗当中通常会服用多种药物达到一定治疗效果,而这也给患者带来了药物之间相互作用的风险。近年的研究显示DDIs正在消耗大量的公共卫生资源,每年花费数十亿美元用于治疗DDIs引起的毒副作用。由于生物实验发现药物之间的相互作用需要投入大量的人力物力资源,这给DDIs的发现带来了巨大的挑战。当前构建精准的DDIs预测模型已成为药物研究领域的热点。近年来随着高通量测序技术的发展,LINCS L1000数据库中已积累了多种药物诱导的转录组数据,这为药物提供了新的表征方式,也为构建DDIs预测模型提供了新的思路。本研究主要解决基于药物的转录组数据构建更加精确的DDIs预测模型中的两个主要问题。1)药物转录组数据中的机器噪声,为此本研究利用药物结构信息以及药物结构之间的相似性关系通过图卷积神经网络对药物转录组数据进行嵌入处理。结果发现嵌入后的转录组数据更有利于DDIs的预测。2)本文探究了将药物看做序列信息是否更有利于DDIs的预测,从而引进长短时模型（Long Short Term Memory networks,LSTM）进行DDIs的预测,最终本文提出GEDDI（graph embedding for drug-drug interaction prediction）建模方法,该方法基于药物转录组数据对药物的DDIs进行预测,并取得F1-score_marco最高为95.3%的效果,显著高于其他机器学习方法。二型糖尿病是常见的内分泌代谢疾病,已成为威胁人类健康的主要疾病之一。由于二型糖尿病往往伴随多种并发症,需要服用多种药物,因而药物之间不良相互作用发生的概率较大。近年来多种降糖药物用于临床,对于这些药物与其他药物之间的相互作用的探究十分必要。本研究利用GEDDI探究了常见二型糖尿病药物之间,以及二型糖尿病药物与其他慢性疾病药物之间的相互作用,并发现多种药物与糖尿病药物的联合使用会导致低血糖、乳酸中毒和血管性血肿等多种不良反应。本研究的结果将为基于药物转录组数据的药物相关研究提供重要的参考,为糖尿病病人的用药管理提供合理的指导。