药物-靶标相互作用（Drug Target Interaction,DTI）是指细胞内特定的生物大分子（称为“靶标”,大多为蛋白质,例如酶、离子通道等）以适当的化学特性和亲合力与药物分子结合的过程,是药物治疗疾病的内在机制,因此DTI是药物发现和开发的基础。药物作用实质上是药物活性片段和受体之间的相互作用,而药效团是药物结构中对药物活性起关键作用的基团和子结构,通常用其来判断一个药物是否具有某一类药效,目前根据专家领域知识已识别出了部分药效团,可以用于先导化合物的发现,并且已有研究基于深度学习和这些药效团特征预测药物-靶标间的相互作用。本文受药效团启发,并基于药物作用,提出了三种基于深度学习的方法预测药物-靶标相互作用关系,尝试学习先验知识外的药效特征,在一定程度上克服现有认知的局限性,提高预测性能。本文首先提出一种基于子序列预测药物-靶标相互作用的方法。该方法先从药物和靶标的线性表述规范出发,借助自然语言处理技术和生物信息学知识,提出一种新的药物片段挖掘策略BCM和靶标种类子序列挖掘方法CFM,对SMILES和氨基酸序列进行片段提取,得到显式的药物和靶标片段集合,然后分别进行序列建模并基于CNN学习片段之间的协同作用,最终得到两者的药理特征用于预测药物-靶标相互作用。实验表明该方法可有效过滤噪音,增强药理特征,在四个不同数据分布的数据集上,表现都优于主流方法。然后,延续子结构的概念,提出一种基于子拓扑结构的方法预测药物-靶标相互作用。该方法从拓扑结构出发,提出一种在分子图上随机游走获取子拓扑结构的启发式方法bio-RW,该方法首先对分子图进行建模,然后在图上进行随机游走提取出子拓扑结构,再利用卷积神经网络提取药物结构特征,从空间衔接角度模拟药物-靶标相互作用,提高模型的可解释性。最后,在序列特征的基础上引入靶标的距离信息,并利用DenseNet来提取其结构特征,加强靶标的特征表示,并采用Transformer架构对DTI任务进行建模,获得目标关注的作用信息,实验表明该方法可以作为药物-靶标相互作用预测的一种补充。