预测药物和靶标之间的相互作用对于开发新药物非常重要,它可以加速药物开发的过程并且降低所需的成本。然而传统的临床试验需要消耗大量的人力、物力,既昂贵又费时。传统的机器学习方法大多采用一维字符串或者描述符表示药物化合物和蛋白质靶标,这种基于手工特征的方法不能完整提取药物分子和蛋白质靶标的特征。深度神经网络在特征提取过程中没有考虑和充分利用药物内部的结构信息。因此急需研究新的方法来预测药物和靶标之间的相互作用。图神经网络将神经网络模型推广到任意结构图上面。药物可以看作是由原子和化学键组成的分子图。图卷积神经网络可以通过卷积运算操作自动从药物分子图中获得药物相关的特征,可以充分利用药物的原子信息和内部的结构信息。图神经网络的兴起为药物-靶标相互作用预测提供了新的解决方案。基于此,本文提出了一种基于图卷积神经网络的药物-靶标相互作用预测方法,该方法能够捕获药物化合物的结构信息,并利用蛋白质序列的化学背景来解决药物-靶标预测问题。本文的主要工作如下:（1）提出了一种基于图卷积神经网络和传统卷积神经网络预测药物-靶标相互作用的模型Graph CPI,该模型利用图卷积神经网络获取药物的原子特征和结构特征,利用传统卷积神经网络获取靶标的特征。为了验证Graph CPI模型的效果,本文使用了在药物领域广泛使用的Human和C.elegans数据集,与传统的机器学习方法和最新的方法进行了对比。实验结果表明,本文提出的模型具有一定的优越性。与此同时,本文进行了消融实验,消融实验对Graph CPI模型做了两种变体,消融实验表明模型的每一部分对模型整体都有重要作用。（2）本文提出的GraphCPI模型可以用作一般模型,可以将图卷积神经网络和传统卷积神经网络视为模型的构建块,允许使用其他更强大的图卷积神经网络进行替换。在本文中,我们使用了GIN,GAT,GCN进行实验。实验结果验证了多种图卷积神经网络可以集成到GraphCPI模型中,显示了GraphCPI模型的通用性和稳定性。