癌症是一种死亡率极高且病因高度复杂的疾病,其高复杂性主要表现在肿瘤微环境中癌细胞和相关表型改变的非恶性细胞的克隆多样性。尽管目前用于治疗癌症的大多数药物是针对特定群体而开发,然而癌症的高复杂性会导致特定群体中的个体对同一药物有不同的敏感度。在癌症研究领域,精准医疗力求准确预测对个体患者有益的治疗方式,以实现更为精确和有效的基因靶向治疗。利用人类基因组学测序技术分析个体患者的肿瘤遗传信息,以对抗癌药物反应进行预测,进而为患者设计个性化治疗方案,将有望提高抗癌药物的治疗效果。随着基因组学测序技术的迅速发展和深度学习算法在生物信息领域上的大放光彩,研究人员基于抗癌药物反应公开数据集设计了多种深度学习算法以预测抗癌药物反应,并取得了该领域目前的最领先性能,然而在该领域中的深度学习算法仍存在许多不足。首先,目前用于抗癌药物反应预测的深度学习算法主要基于单药建模和基因-药物对建模方式而设计,但这并不适用于临床中的抗癌药物推荐。同样,现有用于抗癌药物反应预测的基因数据编码器未曾从基因实体层面和基因交互层面考虑基因数据特征之间的交互。此外,由于抗癌药物反应数据库中具有药物反应标签的数据样本极为稀缺,在监督学习范式下训练的任务模型的泛化能力和任务性能通常较差。基于以上诸多的不足,本文研究设计了一个基于多药建模方式的抗癌药物反应多标签预测模型框架用于构建抗癌药物推荐模型,以期助力临床医生做出更精准的个性化药物治疗决策。同时,通过利用基因相关性先验知识,本文研究为每个基因数据样本构造了对应的基因交互图,并设计了一个名为GraphGE的图神经网络模型作为基因数据编码器,以实现基因实体层面和基因交互层面上的基因数据特征交互,进而更好地表征基因数据样本。随后,通过设计一个基于基因交互图的层次化原型对比学习策略,促使GraphGE模型捕获基因数据集中的潜在层次化语义信息,进而在不同粗细层次上衡量基因数据样本的相似度。此外,本文还设计了一个基于多种基因交互图数据增强方式的实例级对比学习策略,并与层次化原型对比学习策略联合对GraphGE模型进行预训练,以促使GraphGE模型学习到更平滑的局部实例级基因数据表征,并指导层次化原型对比学习策略中的层次化聚类学习。实验结果分析表明,本文提出的基于GraphGE的抗癌药物反应多标签预测模型优于本文所选用的所有基准模型,并分别在GDSC数据集的RMSE指标上降低了1.4%和在TCGA数据集的ROC-AUC指标上提升了1.9%。同样,相比于不使用自监督学习策略,在利用本文所提出的基于基因交互图的层次化原型对比学习策略和实例级对比学习策略进行预训练和微调后,基于GraphGE的抗癌药物反应多标签预测模型的任务性能有较明显的提升,并分别在GDSC数据集的RMSE指标上降低了3.4%和在TCGA数据集的ROC-AUC指标上提升了7.2%。可视化结果展示,利用层次化原型对比学习策略进行GraphGE模型的预训练,GraphGE能够捕获基因数据样本集上特定的全局语义结构,并实现对基因数据样本集上基因交互图表征的显著性的层次化聚簇和分离。