药物发现是治疗疾病的关键步骤,而准确识别蛋白质和化合物小分子之间的相互作用是实现药物发现的核心手段。传统的药物筛选技术依赖于生物化学实验,需要耗费大量的时间和成本,有效药物的命中率低。后来,研究人员利用计算机和数学的技术有效缩短了药物发现的时间,提高了药物的命中率。其中,深度学习表现优异,成为目前主流的识别蛋白质-小分子相互作用的关键技术。当前绝大多数深度学习的模型将识别蛋白质-小分子的相互作用视为识别多模态之间是否匹配的问题,即,分别对蛋白质和化合物小分子进行表征学习之后,融合两者的表征去预测它们的相互作用。尽管许多研究人员提出了有效的深度学习模型,并且在药物发现的问题上取得了不错的成绩,但是在蛋白质的表征上,他们往往忽略了模态信息的完整性,只考虑了单一的序列或者结构模态,存在信息不足的问题,可能造成准确性的下降。其次,有些工作没有选用更合适的模型对相应的模态进行表征学习,识别的性能还有较大的提升空间。此外,很多深度学习模型在公开数据集上表现较好,但是在应用于实际的药物发现问题时,与生化实验存在一定的差距。鉴于上述问题,本文提出了一个新的多模态表征学习的深度学习模型,在识别蛋白质-小分子的相互作用中取得更加优异的结果,随后,将其与生化实验结合起来,提出一个人工智能模型与生化实验相互结合,迭代优化的新框架——AIMEE。本文提出的模型和框架主要有以下五个改进部分:（1）在蛋白质的表征学习上同时考虑了序列和结构的模态信息,使蛋白质的表征更加完整;（2）采用Transformer编码器模型和Attentive FP模型分别对序列和结构的模态进行表征学习,相比其他模型具有更好的特征表示效果;（3）加入辅助任务增强蛋白质的序列和结构之间的关联,进一步提升了模型的性能;（4）提出深度学习计算模型和生化实验迭代训练,相互促进的新框架,有效弥补了两者之间的差距;（5）采用欠采样和Focal Loss的策略,改善了数据类别高度不平衡的问题。本文在公开数据集上将提出的多模态表征学习模型与其他模型进行比较,实验结果验证了该模型的有效性。另外,本文进行消融实验探究了该模型每个模块的作用,对模型表现较好的原因展开分析。最后,本文将提出的AIMEE框架应用于新冠病毒靶标的药物发现上,筛选出六种对新冠病毒靶标具有抑制作用的阳性化合物小分子,给新冠病毒的治疗提供一定的见解和方向。