近年来,随着生物医学大数据的迅速积累,生物医学领域的研究方式产生重大的转变,从假设为主导变成了以数据为主导。生物医学大数据中隐藏着丰富的生物医学知识,蕴含了大量生物医学实体之间的内在关联规律,是进行复杂病理分析、流行疾病预测、新药研发和临床用药决策的重要支撑。特别是出现如鼠疫、埃博拉病毒和新型冠状病毒肺炎等突发公共卫生事件时,使用生物医学知识能够快速响应病原学分析和候选治疗药物筛选的需求,极大地加快新药的开发进程以及降低研发费用,有效地控制公共卫生事件的扩大与恶化。然而,丰富的医疗信息和知识隐藏在大量非结构化的数据中。如何快速从生物医学大数据中提取出结构化的知识是生物医学领域的一个重要研究法方向。实体关系作为表示知识的一种有效基本方式,对其进行识别是信息抽取领域的核心任务。利用生物医学实体之间的相互作用信息,能够揭示生物分子之间的复杂作用机制,对推动生命科学领域的发展具有重要意义。对此,本文以生物医药实体相互作用提取为主线,旨在充分利用深度学习技术,从生物医学文献和生物分子网络中自动提取生物医药相关实体之间的关系,为药物的研制和使用提供决策建议。本文的主要研究内容包括以下几个方面:第一,针对多药物服用过程中产生的药物不良反应问题,本文提出一种基于双向长短期记忆网络的药物相互作用提取模型。该模型能够根据文本句子的描述,自动判断一个实例中的两个候选药物之间是否产生相互作用,或者识别它们之间的相互作用类型。针对生物医学文本的句式结构较复杂的特点,该模型将词语之间的依存关系融合到长短期记忆网络中,并通过Linear通道、DFS通道和BFS通道共3个独立的通道,充分地学习文本句子的语义信息。每个通道利用特征层、编码层和池化层对基于距离和基于依存关系两种特征进行处理,生成整个文本序列的不同编码表示。最后将3个通道的输出进行联接并作为分类层的输入,以此学习药物相互作用的关系分类器。实验结果表明,该模型在总体性能上的表现优于基线模型,能够较好地平衡精准率和召回率。第二,考虑深度学习模型结果的可解释性问题,本文提出一种基于注意力机制的药物相互作用识别模型。该模型通过引入多头注意力机制,学习特征的权重分布,以此衡量不同特征在网络中的贡献程度。该模型主要包括Bi-LSTM层、Attention层和Dense层。Bi-LSTM层中利用两个相反方向的长短期记忆网络学习词语的语境信息。Attention层采用多头注意力机制学习不同语义空间中所有特征的权重分布,提高神经网络增强关键特征或者抑制无用特征的能力。Dense层则设计了一个全局标记符根据权重分布融合整个序列中所有词语的语义信息。实验结果表明,该模型在药物相互作用提取任务上取得了较好的效果。另外,该模型计算得到的权重分布能够有效识别学习过程中的关键特征,对解释模型结果的可靠性具有重要意义。第三,针对药物靶标的识别和药物重定向问题,本文通过集成多个关系知识库构建了一个包含化合物、基因和生物通路共3种节点类型的大规模异构生物分子网络,并提出一种基于图卷积网络的化合物与基因相互作用预测模型。该模型采用端到端的框架,分别利用图卷积网络作为编码器和张量分解模型作为解码器,将关系提取问题建模为生物分子网络中化合物与基因节点之间的链路预测任务。编码器采用两种不同视图聚合邻居节点的信息,分别是全图视图和子图视图。前者将图作为一个整体输入编码器进行处理,后者则将全图切分为子图,先利用二元关联子图学习节点的初级嵌入,再使用初级嵌入初始化多元关系子图中的节点表示,并学习高层次的节点嵌入。另外,在子图视图中,从生物医学的视角出发,基于推理假设发现潜在的节点链路对生物分子网络的拓扑结构进行重构。实验结果表明,该模型能够较好地预测化合物与基因之间的潜在链路。同时,采用子图视图的方式不仅能够有效提升模型的性能效果,而且可以减少模型的训练时间。