联合用药是疾病治疗中常规和普遍的治疗策略,通常能够达到比较好的治疗效果。因此,联合用药引发的药物-药物相互作用（Drug-Drug Interaction,DDI）一直是人们关注和研究的热点。事实上,DDI是一把双刃剑,既有正向的药效相互促进作用,又有负向的药物-药物副作用（Drug-Drug Adverse Reaction,DDADR）。相对于找到药物之间的正作用而言,发现药物之间的副作用更加困难。虽然在药物开发阶段会进行大量的体内和体外实验,筛选出可能产生副作用的药物组合,但是这个过程消耗巨大的成本,并且需要较长的实验周期。随着信息化技术的发展,大量的医药数据被汇总与挖掘。研究者开始借助机器学习方法对DDADR进行预测,提出了一些有效的预测方法,但是仍然面临很多挑战,主要包括:（1）现有的大多数DDADR预测方法只简单地利用药物相关的信息（如化学分子结构,蛋白质等）来得到药物的特征表示,由于没有充分利用生物医学对象信息,因此得到的药物特征无法表示药物之间丰富的语义关系。除此之外,大多数方法是基于单视图的,如何使用多视图嵌入的方法整合不同生物医学视图以得到语义更加丰富的药物特征表示,是一个极具挑战性的问题;（2）目前大多数DDADR预测方法过度依赖标记数据,然而人工标记医药数据的成本极高。如何构建一个基于对比学习的DDADR预测模型以减少对标记数据的依赖,也是值得研究的问题;（3）基于对比学习的DDADR预测模型受自身的训练模式限制,获得的药物特征表示质量不高。如何改进基于对比学习的DDADR预测模型以提高药物特征表示质量,从而提高预测精度是一个具有探究意义的问题。针对以上问题,本论文对DDADR预测问题和关键技术进行了研究,逐步深入地提出了一系列基于异构极性网络的DDADR表示学习方法。论文的主要创新成果如下:（1）提出了一种基于异构极性卷积网络的药物副作用预测方法（MS-ADR）,以解决药物特征包含药物语义信息不够丰富、基于单视图预测模型效果不佳的问题。首先,利用与药物相关的多源生物医学对象信息和已知的DDADR信息,构建药物异构极性网络,并在其中应用结构平衡理论进行符号传播,进一步丰富药物之间的语义信息;其次,对药物异构极性网络进行图卷积编码,获得包含高阶语义信息的药物特征表示;最后,构建一种新型的基于深度学习的特征融合框架,将不同的生物医学视图信息嵌入到编码结构中,获得多源药物特征表示以进行DDADR预测任务。此成果形成了后续研究的框架基础。（2）提出了一种基于异构极性网络对比表示的药物副作用预测方法（DMVDGI）,以解决目前大多数DDADR预测方法过度依赖标记数据的问题。首先,利用图卷积编码器获得药物正局部特征表示和药物负局部特征表示,并且利用全局表示编码器获得药物全局表示;其次,通过最大化全局表示-正局部表示之间的互信息,同时最小化全局表示-负局部表示之间的互信息来不断优化模型,获得最优的药物特征表示;最后,通过语义级注意力机制对不同生物医学视图中的药物特征表示进行融合,获得多源药物特征表示以进行DDADR预测任务。与MS-ADR模型（成果1）相比,降低了模型对标记数据的依赖度。此成果是后续优化研究的基础。（3）提出了一种基于异构极性网络有监督对比表示的药物副作用预测方法（SCLADR）,以解决基于对比学习的DDADR预测模型获得的药物特征表示质量不高的问题。首先,采用有监督对比学习方法微调DMVDGI模型（成果2）,利用稀疏的标记数据,在对比损失的基础上加入交叉熵损失来训练模型;其次,利用隐式图神经网络（Implicit Graph Neural Networks,IGNN）编码药物的多源语义特征,使获得的药物特征表示具有全局性;最后,采用端到端可训练的方式产生负样本,而不是以一种固定的方式产生负样本。这些改进显著提升了药物特征表示质量,从而提高了DDADR预测精度。本论文在Decagon模型的数据集、Drug Bank、SIDER和OFFSIDES数据集上进行了丰富的实验,并且采用多项指标进行评估。实验结果表明,本论文提出的一系列模型效果在DDADR预测任务中优于目前一些最好模型,实现了DDADR的有效预测,有助于治疗方案的制定和提高新药研发效率。