化合物-蛋白质相互作用（CPI）预测是药物研发领域的一个重大课题。药物研发过程中,需要从大规模化合物中筛选出能与蛋白质亲和的样本,这一步用化学实验的方法比计算的方法消耗大得多。随着各种科学实验的不断进行产生了大量生物数据,通过计算机建模能够快速有效地利用这些数据对化合物进行筛选。因此提高化合物-蛋白质相互作用预测的准确率,可以缩小化合物的搜索空间,在药物研发过程中起着至关重要的作用。针对现有化合物表征方法感受野受限于节点拓扑结构的问题,本文提出一种新的图神经网络模型。首先使用图卷积层整合化合物图的邻域特征,然后使用多头自注意力层对所有节点的特征向量进行全局信息提取,层与层之间使用了残差连接来消除层数加深所带来的信息损失问题。该模型突破了基于拓扑距离的化合物图特征提取方式,通过全局的注意力机制来使每个原子节点都参与化合物图中所有原子节点的计算,这意味着远处原子之间的隐式连接仍然可以发挥作用,比现有的方法具有更强的刻画能力。针对现有化合物-蛋白质相互作用预测模型未能将语义特征与相互作用网络中的拓扑信息有效融合的问题,本文提出一种新的二分类模型。首先使用第一点中提出的模型进行化合物图特征提取,使用预训练模型elmo进行蛋白质序列特征提取,并显式地从化合物-蛋白质相互作用网络中提取网络节点的度,作为中心性编码加入初始特征中。然后将两个特征矩阵送入交叉注意力模块进行信息融合,并提取网络节点的相关性编码作为交叉注意力模块中的偏置项。再使用前馈层进一步提取相互作用特征。层与层之间使用残差连接和正则化使模型更加稳定。最后输出预测结果。该模型创新性地将网络的拓扑信息和网络节点的语义特征这样不同模态的信息进行了融合,增加了模型的有效信息量,提高了预测结果的准确率。本文在多个数据集上进行了大量实验,并与几种主流的预测方法进行了对比。实验结果表明,本文所提出的模型可以准确预测化合物和蛋白质之间的相互作用,对网络拓扑结构编码能够大大提高模型性能。