蛋白质与蛋白质相互作用（PPI）网络和转录调控网络对于调节细胞及其信号很重要。对PPI的透彻了解可以更深入地了解正常和疾病状态下的细胞生理学。虽然目前有许多方法来预测PPI,但是由于未知蛋白间相互作用预测难度大,导致预测方法性能不佳。本文考虑未知蛋白质间的相互作用和数据特性,对多类型PPI预测进行研究,主要工作如下:（1）在特征输入方面,根据蛋白质的序列信息和PPI信息,本文构建了蛋白质序列特征和PPI图。其中,蛋白质序列特征除了氨基酸共现相似性编码和氨基酸间静电性和疏水性相似性的分类one-hot编码构成以外,本文还添加了ESM-1b编码特征作为输入特征。PPI图以蛋白质为节点,7种蛋白质相互作用为边,构建了7种PPI图作为邻接矩阵输入到图注意力网络中。（2）在网络框架方面,本文结合了两种注意力机制的网络框架集成了一种新的网络模型框架AFTGnet,用来预测多类型PPI。该框架使用包含Attention Free Transformer（AFT）模块的Transformer编码器来提取蛋白质序列特征,之后将提取的蛋白质序列特征作为PPI图节点特征,与构造好的PPI图一同输入图注意力网络（Graph Attention Network）来提取蛋白质对的关系特征。每个蛋白质节点根据多头自注意力机制和邻接节点信息不断更新自身信息。最后使用全连接层（FC）作为分类器进行多标签PPI预测。（3）为了体现本文模型的性能,本文通过在PPI网络中使用广度优先搜索（BFS）、深度优先搜索（DFS）和随机方式构建测试集进行评估。本文的方法在SHS27K和SHS148K数据集上通过上述三种划分测试集方法分别与三种机器学习方法和四种深度学习方法进行比较。实验结果显示本文的模型在SHS27K和SHS148K数据集的三种划分方式的Micro-F1分别为0.6845、0.7113、0.8666和0.7452、0.8189、0.9196,高于其他方法。为了进一步说明本文方法对于未知蛋白质间相互作用预测的优势,本文使用SHS27K和SHS148K作为训练集,STRING作为测试集进行比较,实验结果表明本文的模型在STRING数据集的三种划分方式都优于之前的方法。最后,本文对多类型蛋白质相互作用预测的研究工作进行了总结,并对今后的工作进行展望。