蛋白质配体分子间的相互作用经常发生在许多基础生物活动过程中,了解蛋白质-配体的相互作用对于了解许多生物系统和辅助药物开发工作意义重大。对其定量研究的方式为分子间结合亲和力的测定。传统的生物化学实验或基于物理学第一性原理的计算测定方法固然较为准确,但获得相应结果需要付出较高的时间或劳动力成本,不适合分子筛选的大规模工业应用。而计算方法在实用性和可负担性中追求平衡,允许对小分子化学空间进行广泛探索。因此,对蛋白质配体分子间结合亲和力的计算方法进行研究非常有必要。过去几十年,研究者在蛋白质-配体结合亲和力的计算领域中积累了非常多有效经验,提出了很多种计算方法,但依然存在一些不足。其中,基于机器学习和深度学习的方法在预测准确度方面脱颖而出。但机器学习方法依赖于手工特征工程,而目前还难以找到普遍适合整个化学小分子空间的特征工程方法。深度学习方法通过复杂神经网络的端到端学习为这项研究提供了一种新思路,此类研究目前主要集中在不同分子编码方法结合不同卷积神经网络模型这种方式上,这些方法的预测效果高于传统打分函数和机器学习方法,但在预测准确度上还有一定的提升空间。鉴于新兴的图神经网络在其它领域已经表现出杰出的学习能力,其以图结构表示数据的方式非常适合于表示分子且它在蛋白质-配体结合亲和力领域中研究较少。本文的研究就图神经网络在蛋白质-配体分子间结合亲和力预测中的应用开展研究,提出了两种基于图神经网络的蛋白质-配体分子间结合亲和力预测方法:1.从蛋白质和配体分子的结构出发,提出了一种名为APMNet的级联图卷积神经网络方法。该方法将分子看作图数据结构,通过将两种可以处理非欧式空间数据的不同图卷积神经网络（ARMA图卷积和MPNN图卷积）级联的方式,利用两种不同图卷积神经网络各自的优势,分阶段提取隐藏在分子结构中的与结合亲和力有关的特征,完成对蛋白质配体分子间结合亲和力的预测。实验结果表明,APMNet取得了很好的预测效果,在PDBBind数据集上相关性指标Pearson R达到了0.815,误差指标RMSE为1.268。2.针对目前还存在的大量已知氨基酸序列但结构仍未被解析的蛋白质分子,提出了一种融合配体分子图结构信息和蛋白质氨基酸序列信息的方法SGNet。通过图注意力神经网络来学习获得配体的分子表示,一维卷积神经网络来学习经CT（Conjoint Triad）初始编码的蛋白质氨基酸序列的分子表示,通过全连接层融合二者的特征,从而预测出该分子对间的结合亲和力。并在更严格的基于相似性聚类的新配体、新蛋白质和新蛋白质配体分子对的三种交叉验证策略下考察了SGNet模型的泛化性能。实验结果表明,SGNet预测出的结合亲和力与真实标签相比误差很小,与现有方法相比,准确度更高。本文提出了两种蛋白质-配体分子间结合亲和力计算方法,分别针对已知结构的蛋白质和未知结构的蛋白质氨基酸序列,与现有的计算方法相比,计算准确度均更有优势。本文的研究内容可以为药物设计和发现早期阶段提供一定指导。