药物-靶标蛋白关系(DTR)预测分为药物-靶标蛋白相互作用(DTI)分类与药物-靶标蛋白关系亲和力(DTA)回归,它是现代药物发现和药物设计的关键,并为药物副作用研究、药物重定位以及个性化治疗提供方向和有价值的参考。化合物与蛋白质的种类数目庞大,基于生物实验的传统DTR预测方法费时、费力、开销巨大,且具有高失败率。计算机辅助的DTR预测方法具有缩短药物研发时间、减少新药研制的盲目性、降低研发成本等优点,受到越来越多研究者的重视与探索。目前计算型的DTR预测方法有很多,主要有相似性搜索的方法、分子对接技术和机器学习方法等。这些方法需要以化学与生物专业知识为背景且具有各自的局限性,在处理复杂多样的生物信息数据时效果往往不尽人意。随着计算机科学的飞速发展,相关数据库的不断完善和计算机硬件条件的不断提高,深度学习在生物计算领域得到了广泛的应用,为识别DTR提供了新的可能性。具体研究内容如下:(1)在药物-靶标蛋白关系相互作用(DTI)分类问题上,提出一种端到端的基于图注意卷积和交叉注意力机制的药物蛋白质二元关系预测模型。该模型以药物的图结构与蛋白质的氨基酸序列为输入,使用子图构建方法与“词”编码强化药物与蛋白质的表示。模型利用图注意力卷积模型提取药物特征矩阵,该图注意力卷积模型利用注意力机制动态地计算药物原子之间的关系;使用一维卷积神经网络提取蛋白质特征矩阵;通过交叉注意力机制得到两个特征矩阵之间的注意力分数,以此凸显药物子结构与氨基酸子序列的重要程度,提高模型的分类能力。最后,本文通过可视化注意力分数分析模型在生物学上的指导意义。(2)在药物-靶标蛋白关系亲和力值(DTA)回归问题上,本文提出一种端到端的基于卷积神经网络和协同注意力机制的药物蛋白质亲和力值回归模型。该模型以药物的SMILES序列与蛋白质的氨基酸序列为输入。模型通过两个不同的一维卷积神经网络模块分别提取药物与蛋白质的特征矩阵,利用协同注意力机制强化不同的语义信息在模型中的重要程度,提高模型的拟合能力。最后,本文通过可视化注意力分数分析模型在生物学上的指导意义。