药物的设计与研发是依据对生物靶标和分子活性的知识寻找有效治疗药物的过程。药物小分子大多是一种有机小分子或化合物,它通过激活或抑制生物分子功能,对多种被称为靶标的蛋白质产生特殊的影响,从而对疾病产生治疗效果。药物与蛋白质靶标之间的相互作用在药物研究中具有重要意义,如促进药物发现过程、药物副作用预测和药物再利用等。最初的研究方法主要采用临床生物实验方法,保证了实验结果的有效性。而实验中想找出与目标靶蛋白有结合作用且具有高亲和力的化合物是很具有挑战性且成本昂贵的过程,这就需要开发设计出更有效和更高效的生物计算方法来预测药物-靶标的相互作用。生物计算方法能够从积累的大量数据中挖掘出潜在特征。同时,计算方法的预测结果能够使生物实验更有针对性,节约成本。目前用于预测药物靶标关系的计算方法主要分为三类:(1)基于配体的预测方法;(2)基于靶标的预测方法;(3)机器学习方法。基于配体的预测方法通常用于蛋白质的三维结构信息未知时,依赖于配体的结构和活性之间的关系设计发现药物。基于靶标的方法可以获得较为精确的结果,但是需要有蛋白质靶标的三维结构,通过计算模拟出药物和蛋白质结合的空间大小,形状和结合样式,进而预测药物和靶标之间的结合亲和力。机器学习方法尤其深度学习技术在各个领域取得不错的效果,越来越多的研究者使用机器学习方法在药物靶标关系预测问题上提出了很多创新性的思路。基于上述说明,本文提出了一种基于概率图模型的方法,设计了对应的变分自编码器用于预测药物靶标关系。根据数据集的特点,设置了两类对比实验:结合关系预测和结合亲和力预测。我们在几个常用数据集上做了不同的实验对比,结果显示,我们的方法在各个实验中都有不错的表现,甚至在一些实验中达到最优的结果。另外,利用概率图模型的特性,后续工作中还可以扩展我们的方法,使得模型对于给定的蛋白质,能够直接计算出与其结合的药物特征。