药物靶标是人体内与疾病相关,并能被药物作用,促使药物发挥药效功能的生物大分子,药物通过与特定疾病的靶标结合,达到疾病治疗的效果。药物靶标的选择和确认是药物研发的第一步,且药物靶标的发现有助于人们进一步理解药物运作机制、药物副作用和疾病病理。药物-靶标相互作用(DTIs)的预测是发现药物靶标的主要途径,因此,药物-靶标相互作用的预测研究在药物研发和疾病治疗领域具有重要的理论价值和应用意义。现有的基于深度学习的DTIs预测方法,仅考虑了药物间化学结构特征的相似性和靶标间氨基酸序列特征的相似性,忽略了多种相似性对预测结果的影响。研究表明,药物诱导的基因表达相似性、药物的副作用等多种相似性,与药物-靶标的相互作用直接相关,为DTIs的预测提供了有价值的多元组学信息,且捕获相似性网络的全局结构有助于提取网络节点间多方面的信息,进而提高方法的预测精度。针对以上问题,本文整合药物和靶标的多种相似性数据,构建了基于多模态自动编码器的药物-靶标预测模型,研究内容如下:(1)针对深度学习方法预测DTIs时,忽略了多种相似性的问题,本文提出一种基于多模态自动编码器的药物-靶标相互作用预测模型MDADTI。首先,利用多模态自动编码器分别融合药物和靶标的多种相似性,包括药物的化学结构相似性、药物诱导的基因表达相似性,以及靶标的氨基酸序列相似性和功能注释等相似性,从中学习药物和靶标的深层次特征表示。然后,利用DNN预测药物-靶标相互作用。实验结果表明,该模型能够有效利用多种相似性数据中的互补信息,提高了DTIs的预测精度。(2)针对基于多模态自动编码器的药物-靶标相互作用预测模型,忽略了相似性网络的全局结构信息的问题,提出一种基于全局结构的药物-靶标相互作用预测模型。首先,对于每个相似性网络,利用重启随机游走方法,计算药物和靶标的拓扑结构特征。然后,采用正点互信息方法,计算拓扑结构特征间的相似度,得到药物和靶标的多个拓扑相似性矩阵,捕获相似性网络的全局结构信息。最后,采用MDADTI模型融合药物和靶标的多个拓扑相似性矩阵来预测药物-靶标相互作用。经实验验证,该模型能够进一步提升DTIs的预测精度,对药物研发相关研究具有一定的借鉴意义。本文模型充分利用了多种相似性的互补信息和全局结构信息,同时实现了特征的自动学习,可以有效预测未知的药物-靶标相互作用,为药物研发和疾病治疗领域的相关研究提供了一种新的思路。