新药物的开发是一个耗时耗力的过程,且新开发的药物实际利用率较低,造成了资源的浪费,因此,研究者们提出了药物重定位的思路,探索已上市的药物对于其他疾病的治疗效果,从而实现“旧药新用”。药物-疾病关联预测是药物重定位中的一项重要研究,该研究将药物和疾病的高通量数据作为输入,结合计算方法预测药物-疾病的潜在关联,能够为药物的高效研发和疾病的低成本治疗提供辅助性建议。现有的药物-疾病关联预测方法大多将药物的结构相似性数据和疾病的语义相似性数据作为模型的输入,利用传统机器学习、网络嵌入和深度学习等方法得到药物-疾病的关联分数,进而辅助生物学实验的进行。但是目前的预测方法考虑的信息不够全面,忽略了药物-疾病关联网络中的全局拓扑信息和局部拓扑信息,这些信息来自生理学实验的验证,对药物-疾病关联预测准确率的提升具有重要作用。在特征提取时,现有的深度学习方法仅仅关注了网络中的高层级特征,并将其直接融合或串联,忽略了网络中高低层级间的信息交互以及特征加权的重要性,导致了药物和疾病信息的丢失,进而降低了药物-疾病关联预测的性能。针对以上问题,本文对不同的药物信息和疾病信息进行融合,采用深度学习技术构建药物-疾病关联预测模型,主要研究内容如下:（1）基于密集卷积注意网络的药物-疾病关联预测模型（DCNN）。针对已有的深度学习方法在药物-疾病关联预测研究时,忽略了网络中高层级信息和低层级信息交互的问题,本文引入了密集卷积神经网络,通过密集短连接的方式,同时关注网络中高低层级的信息,提高了特征的质量。在特征提取过程中,引入了卷积注意力机制（Convolutional Block Attention Module,CBAM）对所提特征进行加权,从通道和空间两个层面实现药物信息和疾病信息的重要性评分,从而提高网络对于药物-疾病关联的预测能力。实验结果表明,DCNN模型可以作为现有药物-疾病关联预测器的补充,共同为药物研发等生物实验提供辅助建议。（2）基于信息融合的药物-疾病关联预测模型（SDNE-DCNN）。针对现有药物-疾病关联预测方法忽略了药物-疾病关联网络中的全局拓扑信息和局部拓扑信息的问题,本文引入了一种结构化深度网络嵌入模型（Structural Deep Network Embedding,SDNE）)提取药物-疾病关联网络中的信息。SDNE方法采用半监督深度模型,联合利用网络中节点间的一阶相似性和二阶相似性,捕获药物-疾病关联网络的局部拓扑特征和全局拓扑特征。在信息融合时,SDNE-DCNN模型引入高斯核函数计算药物拓扑特征的相似性和疾病拓扑特征的相似性,并分别将他们与药物的结构相似性,疾病的语义相似性进行融合。最后,采用DCNN模型进一步提取药物和疾病的高级特征并实现药物-疾病的关联预测。实验结果表明,将药物-疾病关联网络中的拓扑信息与现有信息融合,能够丰富特征空间进而提高模型的预测能力。（3）本文基于提出的SDNE-DCNN药物-疾病关联预测模型,利用Java语言和html语言设计开发了RDA-Pre在线预测平台,该平台主要包括模型架构和实验结果的预览功能、从数据库中查询疾病的候选药物功能和在线预测药物-疾病关联的功能,便于辅助用户对药物-疾病关联的在线预测和验证。综上所述,本文采用结构化深度网络嵌入模型提取了药物-疾病关联网络中的药物拓扑信息和疾病拓扑信息,并分别将他们与生物学层面的药物结构信息、疾病语义信息融合,考虑了不同角度的数据,丰富了模型的输入。特征提取时,采用密集卷积注意网络同时关注了网络中高低层级的信息,并通过卷积注意力机制对信息的重要性进行评分,提取了高质量的特征表示,有效预测了药物-疾病关联,为药物开发和疾病治疗提供了辅助性建议。