药物研发是一个高成本、长耗时、范围广且低效率的研发系统工程。浩如烟海的药物种类与错综复杂的作用机制更是使得药物研发过程步履维艰。目前存在多种形式类型的药物网络,例如药物-靶标互作网络,药物-路径关联网络等。从目前已知的药物网络中探索尚未被发现的药物-靶标互作关系具有极高的研究价值。目前,绝大多数预测方法是将药物关系建模为同质信息网络并对其进行研究。然而,药物-靶标由于其种类、联系的多样性,自然地构成了一个异质信息网络,药物-靶标相互作用预测问题也便转化为了链路预测问题。链路预测问题是指在异质信息网络中预测节点之间是否存在边缘。现有的深度学习方法已在链路预测任务中显示出不错的性能。但是,这些方法忽略了不同类型边缘在网络中边缘类型特征的互相干扰。具体而言,是指在不同类型的边缘上训练的模型可能会为未知的边缘提供相互矛盾的判定结论。除此之外,在药物网络中很难为一种类型边缘收集足够的标记边缘并用该类型的边缘来训练模型。因此,弱化这种类型干扰对于药物-靶标相互作用预测是非常具有挑战性的。针对上述问题,本文提出了基于异质信息网络表示的深度学习预测框架—类型弹性标记模型（TRTM）。它包括三个主要组件:结构特征器,类型专家构造器和弹性预测器。首先,本模型通过组合不同类型的药物网络来构建药物异质信息网络。其次,结构特征器负责学习药物-靶标中链路预测的边缘表示,通过增强类型结构特征来从不同的边缘类型中提取相应结构特征。类型专家构造器通过与结构特征器合作减少类型共性特征,并保留特定类型的结构特征,以生成针对不同边缘类型的类型专家模型。最终,弹性预测器建立弹性预测机制,以融合来自不同类型专家针对未知边缘的不同结论。在药物异质信息网络上的实验结果表明,TRTM模型能够有效的预测未知的药物-靶标相互作用。本文提出的TRTM模型不仅能在训练阶段学习药物异质信息网络中不同类型的知识以生成相应类型专家,而且能在预测阶段使用弹性预测机制聚合多种类型专家的预测标签。因此,TRTM在训练和预测阶段具有很强的抵抗边缘类型干扰的能力。此外,TRTM模型中的结构特征器也可以很容易地替换为其他异质信息网络表示模型,极大的增强了TRTM模型的适用性。