预测药物-靶标相互作用是药物研发的重要步骤。传统基于生物实验的预测方法时间长、风险大、成本高。基于计算的方法可以有效提升预测药物-靶标相互作用的效率,并且降低成本。目前大部分基于计算的药物-靶标相互作用预测方法都存在缺乏可解释性的缺点。针对以上问题,本文将药物-靶标相互作用预测定义为二分类问题,提出具有可解释性的药物-靶标相互作用预测方法,并开展如下研究工作:1.为了提高深度神经网络的可解释性,提出了基于先验知识的药物-靶标相互作用预测模型。首次利用基于先验知识的深度神经网络来预测药物-靶标相互作用。并且提出了基于神经元激活值差异的解释方法来说明该模型的可解释性。2.为了兼顾模型的可解释性和预测性能,提出了基于注意力机制的药物-靶标相互作用预测方法。首次将双向注意力机制与多头自注意力机制结合来预测药物-靶标相互作用。3.为了解决高性能的复杂模型难以被解释的问题,提出了基于黑盒分析的药物-靶标相互作用预测方法。首次将知识蒸馏应用于药物-靶标相互作用领域,利用知识蒸馏方法训练黑盒模型的全局代理模型,通过分析全局代理模型来解释黑盒模型。实验结果表明:利用先验知识搭建深度神经网络可以提高网络的可解释性;在网络中引入注意力机制可以在确保网络可解释性的同时保证网络的预测性能;利用知识蒸馏训练的全局代理模型可以有效地解释黑盒模型。以上工作将为药物-靶标相互作用预测的研究提供新思路。