传统的药物研发需要投入大量的资金,更需要很长的时间才能完成一种新药的开发,因此对现有药物进行重定位有助于降低药物研发的成本和周期。然而之前的方法大多都是基于浅层的学习方法,并且没有根据药物-疾病关联的稀疏性进行设计模型,没有融合多种药物疾病信息。因此开发一种深度挖掘并融合信息的预测方法至关重要。我们提出了两种方法,一种通过相似性融合进行随机游走和卷积神经网络的方法,另一种方法是基于卷积神经网络和门控循环单元进行模型融合的方法。(1)基于卷积神经网络和双路随机游走进行药物相关疾病候选预测方法随着生物信息学的发展,越来越多的信息被研究者发现提出,而如何选择这些信息并进行融合成为一大难题。在该部分中,我们计算了药物的两种相似性和疾病的两种相似性,药物相似性包括化学子结构相似性和二分网络投影相似性,疾病相似性包括疾病的表型相似性和二分网络投影相似性,分别从两个角度构建相似性,然后构建药物-疾病异构网络。首先构建网络转移矩阵提出双路重启随机游走,对网络拓扑结构信息进行学习,最后通过卷积神经网络进行深层学习和特征融合,得到药物候选疾病关联预测评分模型CNNRW。将CNNRW和其他4个先进的预测方法进行对比,结果显示CNNRW相比其他方法更加优秀。此外,对5种常见药物的50个候选疾病进行案例分析,结果表明,CNNRW确实有发现药物候选疾病的能力。(2)基于卷积神经网络和门控循环单元的药物相关疾病候选预测方法由于先前的药物疾病预测模型大多都集中在浅层学习中,而药物疾病之间存在丰富的非线性关系,因此我们提出一种基于深度学习方法的模型名为CGAPred来捕捉药物疾病之间的复杂关系。模型左侧基于药物疾病异构网络构建特征矩阵,通过卷积神经网络学习药物疾病节点信息,模型右侧基于药物疾病网络获取药物到疾病的路径信息,并通过对不同的路径添加注意力机制。最后通过左右两路信息融合作为药物疾病关联预测的最终分值。通过将CGAPred方法与其他四个先进方法进行比较,CGAPred确优于其他方法。在我们提出的三种评价指标(AUC、AUPR、TOP K)上,CGAPred也取得了最佳成绩。在对常见五种药物的50个候选疾病的案例分析结果显示,CGAPred确实有能力发现药物的候选疾病,为后续药物研发提供可靠的参考。