随着生物科技的发展,越来越多的人类蛋白质被研究者们发现。但是,已知的蛋白质中,可以作为靶标的蛋白质数量稀少,只占所有已知蛋白质数量的很小一部分,导致了大部分药物的靶标蛋白质数量只有两三种。如果可以发现更多潜在的药物靶标相互作用,就可以治疗更多的复杂疾病,从而减少新药物研发的时间、成本和风险,为人类发展提供安全的保障。在探索一个未知的药物靶标相互作用时,传统思想选择使用实验的方法。虽然实验的结果可靠,但是时间周期长,成本高,代价大,不可能对所有可能的药物靶标相互作用进行检测。因此,需要使用计算型的方法为实验验证缩小可能的检测范围,降低实验成本,减少实验时间。目前计算型的预测药物靶标相互作用算法基于数据类型主要分为两类:第一,基于单类型数据预测;第二,基于多类型数据整合预测。但是,这些方法都不能很好的处理多维数据中的噪音影响,而且在提取药物和靶标的特征时,没有捕获到网络中深层的非线性拓扑结构关系,这些因素都会影响最终的预测准确率。本文提出一个基于多层网络表示学习的预测药物靶标相互作用框架MEDTI(Multi-layer network representation learning for drug-target interactions prediction)。通过多层网络表示学习算法,整合多层网络信息,学习药物和靶标的紧凑特征,然后利用在同一空间中相关向量的几何邻近性,将已知的药物靶标相互作用作为监督信息,得到药物靶标相互作用预测得分矩阵。在得到药物靶标相互作用得分矩阵后,对预测结果进行了算法性能分析与结果验证。本文提出的MEDTI框架很好地集成了多类型数据,有效的降低了多层网络中多维噪音的影响,并且通过对多层网络表示学习方法的改进提高了预测准确率,为预测药物靶标相互作用提供了新的视角。在实验中,本文将MEDEI算法与DDR、LRSSL、MDA、MNE方法在统一的数据集中进行比较,结果是MEDTI算法的预测准确率最高。还通过实验证明集成多类型数据有助于挖掘网络中更多的隐藏信息,可以提升预测药物靶标相互作用的准确率。同时在其他实验中,也分析了算法中的参数对算法稳定性的影响。在结果验证中,分别使用不同的验证方式验证预测结果,提高了预测药物靶标相互作用结果的可靠性,证明了MEDTI可用于预测药物靶标相互作用。为实验探索新的药物靶标相互作用缩小了实验范围,预测出潜在的药物靶标相互作用,降低了实验成本,缩短了实验周期。