联合用药对复杂疾病的治疗具有非常重要的应用价值。通过药物组合治疗,可以提高临床治疗效果,减少药物的副作用,甚至可以帮助病人克服耐药性。近年来,联合疗法被研究人员应用到癌症治疗中,已经成为现代癌症治疗中不可或缺的一种治疗手段。在生物学中,研究人员凭借着先验的生物知识与临床经验,通过生物实验筛选方法来确定有效的药物组合。虽然传统的实验筛选方法已经有效地发现一批药物组合,但是随着大量新药被研发出来,药物组合的搜索空间变得越来越大,通过实验筛选出所有可能的药物组合在实践中变得不可行,因此迫切需要开发更多有效的计算方法来预测新的药物组合。最近,各种机器学习方法被提出来计算预测协同药物组合。为了预测特定细胞系中的药物协同作用,现有的机器学习算法通常将三种特征（即两种药物的特征和给定细胞系的特征）进行串联并输入至各种机器学习模型中进行预测。然而,现有的算法普遍存在以下挑战:首先,癌症治疗总是在起源组织上发现的,同一组织中不同细胞系之间是相似的,而现有方法没有考虑利用不同细胞系之间的信息传递来提高模型的预测效率。其次,已知的药物组合可以构建为一个图,其中节点是药物,边表示不同药物之间的协同效应。而目前各种基于机器学习的方法没有考虑将药物-药物协同图结构数据用于药物协同预测,缺乏有效的药物互相作用建模方法。为了解决以上挑战,本文提出了两种基于有监督的多视角图神经网络框架的药物协同预测算法。这两种算法可以为药物协同预测学习到一个更可靠的药物隐藏表示。本文主要介绍了两个模型框架,分别为:（i）基于变分图自编码器的多视角图神经网络框架,称为GNNSynergy-V。针对特定的肿瘤细胞系,该框架将当前预测的细胞系作为主视角,而同一组织中的其他细胞系作为子视角。在每个视角中,首先构建一个药物-药物协同图来描述不同类型的药物协同效应,并采用变分图自编码器来学习特定细胞系的药物隐藏表示;然后,通过多视角框架进一步整合主视角和其他子视角的药物信息,提升药物表示向量的可靠性;最后通过引入已知的药物组合得分作为监督信号对模型进行监督训练,实现可靠的药物协同效果预测。（ii）结合注意力机制的多视角图神经网络框架,称为GNNSynergy。该框架将注意力机制引入至GNNSynergy-V中,实现了一个结合注意力机制的改进算法。不同于GNNSynergy-V,GNNSynergy考虑了不同子视角与主视角之间信息的权重不同,因此,在聚合多个子视角的药物信息时,引入了注意力机制来为不同子视角分配权重,从而使得主视角最终的药物隐藏表示更具有鲁棒性。另外,为了减少模型的复杂度,GNNSynergy使用了图卷积神经网络作为编码器进行药物特征的提取。为了验证本文算法的有效性,我们在Drug Comb数据集上将本文所提出的算法与基线方法进行了对比实验,实验结果表明,GNNSynergy-V和GNNSynergy在协同药物组合预测中,在均方误差、平方根误差、绝对误差以及皮尔逊相关系数和斯皮尔德曼相关系数上显著优于所有的基线方法。通过消融实验和参数敏感度分析,证明了本文算法的框架结构的合理性。通过预测案例分析,验证了本文算法在实际临床中的实用性。总的来说,本文提出了两个针对药物组合协同预测的有监督的多视角图神经网络框架,分别称作GNNSynergy-V和GNNSynergy,它们通过整合同一组织内其他类似的细胞系的数据提高药物协同得分预测的准确度。同时,本文所提出的GNNSynergy-V和GNNSynergy是首个将多视角预测和图神经网络引入到药物协同组合预测的工作。实验结果证明,GNNSynergy-V和GNNSynergy具有一定的先进性。