近年来,随着疫情形势的愈发严峻和各类疾病的爆发,对于药物的需求愈发突出和显著。目前,新型药物的研制过程成本高、耗时长,所以药物再利用逐渐成为一种研发新型药物分子的可替代方案。该方案的关键在于如何在海量的药物-靶标相互作用关系中快速筛选出具有实际意义的关系对。因此,本文聚焦药物与靶标相互作用（Drug-Target Interaction,DTI）预测这一问题,具有重要的理论研究意义和实际应用价值。现有的药物-靶标相互作用预测方法主要使用的是药物一维序列提取特征。这种建模方式忽略了药物分子的结构特点,为充分利用药物结构信息,本文将重点研究基于图神经网络的药物分子表示方法及其在药物-靶标相互作用预测问题上的应用。主要研究工作如下:本文提出了一种基于药物图神经网络表示的药物-靶标相互作用预测方法,称之为Graph Neural Network Drug Target Affinity（GNNDTA）。该方法使用图卷积网络（Graph Convolutional Network,GCN）、图注意力网络（Graph Attention Networks,GAT）、广义聚合网络（GENeralized Aggregation Network,GEN）和图同构网络（Graph Isomorphism Network,GIN）等四种图网络模型对药物数据建模,提取药物分子特征表示,再结合靶标的氨基酸序列表示预测药物-靶标结合亲和力。在公开数据集Davis和KIBA上,所提方法在主要指标MSE上均优于基线模型。四种图神经网络模型中,使用GIN的GNNDTA模型在Davis上取得了最优性能;使用GCN的GNNDTA模型在KIBA上取得了最优性能,与基准方法相比,主要指标MSE分别降低了0.026和0.029。在使用图神经网络提取药物表示的基础上,本文进一步融入药物序列表示,提出了基于药物图与序列表示融合的DTI预测方法,采用平均相加、可学习加权参数和注意力机制等方式获得药物特征向量,该方法称为Graph-Sequence Fusion Drug Target Affinity（G-SFusion DTA）。实验结果表明,G-SFusion DTA实验效果比GNNDTA更好。此外,本文比较了CNN和Transformer两种药物序列表示的对实验结果的影响。在Davis数据集上,使用GEN+CNN药物特征表示的模型获得最优MSE性能;在KIBA数据集上,使用GEN+Transformer药物特征表示的模型获得最优MSE性能,与GNNDTA模型最好结果相比分别降低了0.01与0.021。