新冠肺炎疫情刚刚过去,持续三年时间的疫情促进了药物研发人员对高效开发药物的研究。针对疾病进行药物研发可以减轻病人的症状,降低社会负担,提高人民的健康生活水平。传统的新药研发流程耗时费力,药物再利用成为了药物研发人员一个可行的选择。不论是新药研发还是药物再利用,关键的步骤是确定候选药物和疾病靶标的的相互作用。药物和靶标的结合亲和力是衡量二者相互作用的重要指标,化合物可以与靶标结合产生药效的前提是与靶标以高亲和力相结合。如今是大数据和人工智能时代,现存的数据库中含有大量的药物化合物和蛋白靶标数据及其相互作用信息,这允许药物再利用的研究不在局限于现有药物库而可以扩展到更大的化合物空间来寻找具有高亲和力的潜在药物或先导化合物。传统的计算化合物-蛋白质亲和力的方法已经无法满足现在的高效需求,随着深度学习方法在各个领域的流行,使用深度学习方法开发准确高效的化合物-蛋白质亲和力的计算方法对加速药物研发进程意义重大。本文基于图神经网络（GNN）,Transformer模型和Mutual-Attention机制构建预测化合物-蛋白质亲和力的深度学习模型。主要工作如下:（1）首先将化合物分子表征为分子图结构,并为分子中每个原子构建丰富的化学信息,兼顾分子的二维拓扑结构信息和化学信息,进而使用GIN提取分子的整体特征。使用基于自注意力机制的Transformer编码器对蛋白质氨基酸序列提取特征并产生高质量特征嵌入,注意力机制可以全面学习蛋白质中各个氨基酸残基之间的关系。克服了以往的工作中使用SMILES序列表征化合物分子无法包含丰富结构和化学特征的缺点,以及使用CNN无法提取序列数据的全面分子信息的弊端。最后将化合物整体特征嵌入和蛋白质整体特征嵌入连接送入全连接神经网络得到亲和力预测值。在两个数据集上与7个先进基准模型的对比分析证明了本文模型与前沿方法相比极具竞争力的性能,并表明对分子表征和提取特征所做的处理工作是有效的。（2）在（1）的基础上从增强深度学习模型的可解释性出发,将化合物-蛋白质相互作用的可解释性定义为化合物中原子和蛋白质中氨基酸的分子间相互作用,增加构建了Mutual-Attention模块使模型自动捕捉到对相互作用贡献度较高（具有高注意力分数）的化合物原子和氨基酸残基。药物化合物通常在靶蛋白的某些特定位置结合并发挥药效,称为结合位点（相互作用位点）,高注意力分数的原子和残基可以看作潜在的相互作用位点。此改进模型的亲和力预测性能进一步提高,并以一个蛋白质和其配体为例,对模型中Mutual-Attention模块的注意力分数进行可视化分析,结果表明高注意力的位置和实际相互作用位置具有部分重叠,这既增强了可解释性又可以帮助药物研发人员缩小相互作用位点的搜索空间。最后使用此改进模型对阿尔兹海默症（AD）相关蛋白在FDA批准的药物库中筛选高亲和力药物,此案例结果为筛选出的高亲和力药物部分已经存在于抗AD药物库中,说明了此改进模型在药物研发中的实际应用过程并且具有一定的可靠性。综上表明此改进模型具有高准确率和可解释性,并可以应用于针对某些疾病的高亲和力药物发现。