新药研发费力、耗时且费用高昂。过去几十年,大量资金投入到药物研发中,有一定成效,但远不能满足当前的社会需求。药物重定位这一方法旨在缩短药物研发时间、降低研发成本,减少失败。随着技术发展,研究人员可以根据实际需求生成大量组学数据。有了数据基础,药物重定位也进入了大数据时代-计算药物重定位,结合组学数据开发算法模型进行药物-疾病关系预测。随着研究的深入,对药物作用机理有了更深层次的理解,药物主要通过靶点、基因和蛋白质等作用于疾病,这种数据结构不同于传统的欧式空间数据。传统的神经网络能较好解决欧式空间数据问题,在研究这种节点化数据特征中作用有限,图神经网络是目前针对节点数据进行数据分析的最优框架,能有效解决该问题。本文的主要工作是基于图神经网络开发药物重定位模型,具体工作如下:（1）整理组学数据。通过Drugbank、Gene Ontology、DisGeNET等组学数据库收集整理得到药物-疾病、药物-靶点、疾病-基因、蛋白质-蛋白质和蛋白质-生物功能相互作用关系数据集,并进行了预处理用于后续实验。其中,生物功能是生物信息学研究中一类重要数据,在计算药物重定位领域首次使用。（2）为解决当前药物与疾病数据图结构化后的特征处理问题,提出基于图卷积网络的异构网络信息融合算法-HEGCN（Heterogeneous network information fusion algorithm based on graph convolution network）。以药物-疾病、药物-靶点和疾病-基因相互作用关系数据作为输入。首先进行药物-药物和疾病-疾病相似性矩阵以及药物-疾病邻接矩阵计算,然后搭建药物、疾病之间的异构网络。接着将异构网络输入到加权图卷积网络进行特征提取,最后使用线性解码器重构药物-疾病相互作用关系邻接矩阵。HEGCN算法较当前先进算法相比,性能评估指标AUPR基本提高10%以上,有效提取了药物与疾病数据图结构化后的特征。（3）为解决药物与疾病特征数据的多信息融合与重要信息自动提取问题,提出基于图注意力机制的二部图多信息融合算法-BGAT（Bipartite graph multi-information fusion algorithm based on graph attention mechanism）。以药物-疾病、药物-靶点、疾病-基因、蛋白质-蛋白质和蛋白质-生物功能相互作用关系数据作为输入。首先构建药物-疾病、药物-靶点、疾病-基因和蛋白质-生物功能二部图以及蛋白质-蛋白质同构图,然后将二部图信息融合模块与图注意力机制相结合进行特征提取,最后使用经过改进的多层感知机BMLP进行药物-疾病链接关系预测。BGAT算法较当前先进算法相比,性能整体提高了 10%以上,且针对乳腺癌进行药物预测实验能准确找到乳腺癌治疗药物醋酸甲地孕酮片,表明BGAT模型有效解决了药物与疾病特征数据的多信息融合与重要信息自动提取问题,具有极好的预测能力。综上所述,本文在整理出新的数据集后,根据领域现状和数据特点提出了HEGCN算法,通过五折交叉实验,成功验证了 HEGCN算法的可靠性;在HEGCN算法的基础上,针对性解决了 HEGCN算法的特征提取不可解释和预测模块难以优化的问题,提出了 BGAT算法,通过五折交叉实验成功验证了 BGAT算法的可靠性且通过乳腺癌药物预测成功预测到一种乳腺癌药物醋酸甲地孕酮片验证了该方法的可用性。本文的研究结果对药物的生物学实验具有指导意义,有助于加快药物研发。