人工智能作为计算机学科的主流分支,在生物信息学中的应用取得卓越成效。人工智能技术不仅为生物数据建模提供新的方案,同时能够探索具有生物学价值的新发现。近期Alpha Fold完成人类蛋白质组98.5%的蛋白质结构预测,掀起深度学习助力生物信息学研究的热潮。药物研发作为生物信息学研究的重要领域,谋求利用人工智能算法指导快速且精准的药物-靶标相互作用识别。药物-靶标相互作用是指药物分子与蛋白质表层上特定的靶位相结合,产生化学效应,影响蛋白质功能或激活其活性。利用计算机辅助药物-靶标关系识别最初的思路是使用药物化合物和蛋白质的三维结构数据,模拟结合的过程,但这种方法依赖巨大的计算资源和稀缺的三维数据。机器学习在对接模拟的基础上简化模型的输入,然而特征工程和专家经验容易引起信息丢失和有偏等问题。近年来,众多开源的化学数据库为深度学习应用于药物-靶标相互作用预测提供数据支撑,药理研究者尝试构建深度学习模型将原始生物数据嵌入到非线性特征向量空间,在下游任务中预测药物-靶标相互作用。大多传统的深度学习模型仅能处理规则的几何数据,例如,矩阵、序列等,而药物分子本身可建模为图,属于非欧几里得数据。因此,这些深度学习方法无法适应分子图结构,缺乏对化学空间信息的考虑。目前大规模分子库的涌现使得从不同角度设计药物-靶标相互作用预测方法成为可能。分子数据库提供了药物分子原始结构数据,能够考虑从生物特征嵌入的视角预测药物-靶标相互作用。此外,根据已记录的生物实体交互关系,例如药物-基因关联和蛋白质-蛋白质相互作用,可以建立复杂的生物关系网络,从链接预测的视角完成预定任务。图神经网络作为一种高效的图表示学习工具,在两种视角下,处理分子图和生物关系网络具有先天的优势。一方面可以嵌入分子拓扑图,学习药物的相似性,而相似度高的药物对同一靶标具有更高的结合可能性。另一方面,可建模生物关系网络,学习生物实体的潜在特征表示,进而在网络上预测药物-靶标相互作用。当前基于图神经网络的方法有效地提升药物-靶标相互作用预测的精准度,但是仍存在着尚未解决的问题:对于以药物分子结构作为模型输入的方法,没有充分考虑分子的属性,单一方面结构信息对于精确提取分子的特征存在缺失,导致不完备性;对于以生物关系网络为输入的方法,通常是在正负样本均衡的条件下设计算法完成预测任务,然而忽略现实世界中生物实验记录的药物-靶标关系是稀疏不平衡的,这种稀疏不平衡性为药物和靶蛋白的高质量表征带来挑战,干扰准确的预测。针对上述问题,结合图表示学习的相关理论对分子图以及药物-靶标相互作用网络进行建模,提出基于图神经网络的药物-靶标相互作用预测方法,主要工作内容如下:（1）针对生物特征嵌入视角存在的分子信息缺失问题,形式化异质的药物-靶标相互作用预测任务,并提出异质注意力融合分子属性的方法解决。一方面主要结合图神经网络从局部和全局同时学习分子表示,并考虑分子元素的序列特征。另一方面提出分子异质注意力融合模块将每种类型的特征加权融合,旨在提取重要性更高的分子异质增益。（2）针对生物关系网络表征中存在的真实记录的药物-靶标对稀疏问题,提出稀疏不平衡的药物-靶标相互作用预测任务。结合图对比学习最大化正样本一致性的思想,提出基于异质图数据增强的深度学习方法,在药物-靶标相互作用网络上生成多视角增强图,捕获内在的图结构模式,丰富图上的监督信号。此外,在异质属性矩阵上计算节点间相似度,融入节点相似性信息和异质属性信息以丰富节点特征。