探索药物-靶标的相互作用是药物重定位的关键步骤,而生物实验的鉴定方法不仅耗时与费力,风险也很高。因此,使用计算学的方法来预测药物的可能靶点,为生物鉴定实验提供可靠的药物-靶标候选,可以有效的减少鉴定试验的工作量,从而提高药物研发的效率。如何准确的预测药物与靶标之间潜在的相互作用,是一项挑战性的课题。本文提出了一种网络表征学习算法——基于自动编码器的相似性整合算法(简称AESF),与两种面向异构网络的预测模型——基于梯度提升决策树的预测模型(简称DTIGBDT)与基于对抗型的图卷积编码器的预测模型(简称GANDTI)。AESF使用自动编码器整合了多种药物相关数据和靶标相关数据——包括四种药物相似性与三种靶标相似性。实验表明,AESF可以为之后的药物-靶标相互作用的预测模型提供更可靠的数据输入,从而得到更准确的预测效果。DTIGBDT是一种基于梯度提升决策树的集成学习方法。在本文所使用的数据集中,已知的药物-靶标相互作用(正例)与未知的相互作用(反例)之间存在着严重的类别不平衡现象,这种类别间的不平衡可能会对预测的结果产生不良的影响。DTIGBDT通过使用集成学习模型——梯度提升决策树,在充分的利用数据集中的反例信息的同时,有效的减轻了类别不平衡现象对预测结果的消极影响。该方法为提取的药物-靶标特征向量构建多棵决策树,并通过综合考虑各棵决策树的预测结果得到最后的预测评分。实验表明,DTIGBDT的性能显著优于几个现有的表现最良好的药物-靶标相互作用预测方法。另外,在Quetiapine,Clozapine,Olanzapine,Aripiprazole和Ziprasidone五种药物上的案例分析也证明了DTIGBDT具有发现潜在的药物-靶标相互作用的能力。GANDTI是一种基于对抗型图卷积编码器的预测方法。图卷积编码器可以通过深度整合药物-靶标异构网络中的拓扑信息与节点属性来学习到药物与靶标节点在低维向量空间中的特征表示。生成对抗网络结构则通过调整这些特征向量在低维空间中的特征分布来提高编码质量。之后,基于集成学习模型Light GBM的分类器可以充分的利用数据集中的所有负例。与其他药物-靶标相互作用的预测模型相比,GANDTI的预测结果更为准确。案例分析也近一步的证明了GANDTI可以有效的预测药物的可能靶标。