随着人们对化合物结构研究的不断深入,对化合物应用的不断探索,形成了规模巨大的化合物的数据库,而大量的化合物也可能具有类似的应用特性。以药物应用为例,我们已知某类药物化合物可以用于某类疾病或症状的治疗或处理,当出现新的疾病时我们便希望找到新的化合物以应对此问题,或者我们希望寻找已知应用方案外的其他备选化合物。然而寻找具有所需生物活性的新分子是极其困难的任务。在这种情况下,人工智能和生成模型已用于分子设计和化合物优化。在本文中,我们基于生成对抗网络,结合极大似然与进化思想提出了一种生成模型,用以生成新的具有药物特性的化合物结构。该模型使用极大似然的抽样奖励作为生成器目标以降低方差强化训练,另外,我们还希望针对药物特性的不同指标进行强化,利用遗传思想,令每一次训练的生成器产生子代时都对不同的目标进行强化,从而产生不同目标的子代生成器,这样做避免了讨论不同指标在强化过程中的加权问题。而强化后的子代生成器通过环境适应度函数的筛选,每一次换代最后留下适应度更优的生成器,直到迭代结束,我们就获得了多种强化程度的生成器。这样做我们可以得到综合质量更好的分子,也可以保证生成数据的多样性。通过生成模型我们获得了大量的化合物分子结构,但是对于所存在作用的疾病来说,范围依然非常大,为了寻找可匹配的化合物结构依然需要耗费大量资源。因此在本研究中,我们使用了一种基于半监督相互作用网络的方法来探索和预测药物和疾病之间潜在的相互作用。我们根据每个药物分子序列和疾病的相似性构造图,并确定这两个图中节点之间的异构子图交互异构体的数量。根据这两个图和已知的交互关系,我们计算了药物-疾病关系对的得分作为预测结果。实验表明该模型能够有效预测药物-疾病潜在作用关系。