利用计算机的高性能辅助药物设计是一个十分有前景的领域,而药物-靶点亲和力的预测是计算机辅助药物设计的重要环节,它能提供药物分子和靶点蛋白相互作用强度的信息,从而判断小分子与蛋白质结合的程度。使用计算方法快速精准地预测靶点和药物间的亲和力值,不仅缩短了药物开发周期,而且节省了药物研发成本。近些年来,出现了各类预测药物-靶点亲和力值的计算方法,例如,分子对接、基于配体的方法以及机器学习与深度学习。上述方法中,深度学习作为机器学习的特别类型,在简化了数据特征提取步骤的同时,提升了模型算法的预测精度。图神经网络系列算法凭借其在结构特征学习中的优秀表现,逐渐在药物与蛋白质研究中得到应用。注意力机制能一步到位获取特征全局与局部的联系,同时被设计成并行模式以减少训练时间,被广泛应用于各深度学习研究中。在药物-靶点亲和力预测这一新领域中,图神经网络与注意力机制有着巨大的潜力。本文首先提出了一种基于多通道图卷积网络的药物-靶点亲和力预测的方法。此方法提取药物分子和蛋白质序列的理化特征以及相关图数据作为模型输入,其中图数据对应药物分子图与蛋白质靶点图的节点邻接矩阵。然后,构建一个聚合了不同距离结点信息的多通道图卷积网络,通过各通道的图卷积网络不同比例的累加,更为精确地学习到药物分子的特征。最后将模型提取到的药物特征向量同通过图卷积网络提取到的靶点特征向量进行拼接融合,经过全连接层获得最终的药物-靶点亲和力预测值。实验结果表明,在两基准数据集上基于多通道图卷积网络的模型取得了较好的结果,具有较好的药物-靶点相互作用亲和力预测效果。在此基础上,为了进一步提升模型预测速度,更好地学习模型特征,本文提出了基于多头自注意力的多通道图卷积药物-靶点亲和力预测模型。该方法中,药物分子的图数据依次经过稠密连接的图卷积模块、多头自注意力模块、多通道稠密连接图卷积模块、线性结合层、全局池化层以及全连接层,得到药物特征向量。接着,将药物特征向量与通过图卷积网络提取到的靶点特征向量进行拼接,经过全连接层获得最终的药靶亲和力预测值。实验结果表明,在两个基准数据集上,基于多头自注意力的多通道图卷积模型较先前模型有明显提升并取得了较好预测结果。综上,本文在多通道图卷积网络的基础上结合多头自注意力,构建预测模型并取得了良好的预测性能。研究旨在为靶点与药物间相互作用强度提供精准预测,从而在药物研发中减少成本,提升效率。