药物开发是生物医学领域的重要课题,面对一种新型疾病时,合成新的药物分子往往过程复杂、漫长,成功率低,且耗费大量人力、资金。通过已知的药物-靶蛋白相互作用信息,从已有的药物中预测并筛选出可能对该疾病有作用的药物,将会大大减少药物开发的时间与成本。研究人员已经开发出了多种针对药物-靶蛋白相互作用（Drug-Target Interaction,DTI）的计算机预测方法,但是它们在预测精度上仍然存在不足。为了提高预测精度,本文提出了基于图注意力网络的药物-靶蛋白相互作用预测模型GATDTI（Graph Attention Networks for Drug-Target Interaction prediction）,并将可交流多头注意力机制应用于图注意力网络（Graph Attention Networks,GAT）中。我们根据已知的DTI关系建立异构图,该图包含两类节点:药物和靶蛋白,其中,类间节点关系由已知DTI导出,类内节点关系由给定共同邻居数量阈值导出。靶蛋白的特征采用伪位置特异性分数矩阵,药物特征采用分子指纹,对这两种特征进行变换,形成相同长度的特征向量,将其输入GAT。GAT设置单层注意力层,多个头独立地进行邻居信息提取,随后多头间交流信息,将多头生成的特征聚合后输出新的节点特征;药物与靶蛋白的新特征经拼接后输入多层感知机,输出药物-靶蛋白相互作用预测分数。在Enzyme,Ion channels,GPCR和Nuclear receptors四种常用的基准数据集下进行训练和测试,结果显示模型的AUC（Area Under Curve）和AUPR（Area Under PR）指标均优于SRP、Deep Conv-DTI、Deep DTA、LRF-DTI和NRWRH等五种模型。本文对药物-靶蛋白相互作用相关的公开数据库进行了整理,设计了药物-靶蛋白相互作用可视化平台DTIVP（Drug-Target Interactions Visualization Platform）,可供用户进行数据浏览、检索、提交和下载等操作。在可视化方面,DTIVP可以将后端存储的药物-靶蛋白关系以饼状图、柱状图、表格和网络等方式展示,方便科研人员更加直观形象地观察药物-靶蛋白关系,减少了相关数据获取的时间成本。