研发新药是一个代价高昂的事情,既耗时又费钱。为已经问世的药物探寻新的治疗效果有助于降低药物的研发成本。在先前的研究中,大部分预测方法只考虑了单一来源的药物和蛋白数据。即没有从多个维度去考虑药物、蛋白相关的信息,也没有充分利用全部的已知数据信息。因此,开发一个将多种药物和蛋白相关数据融合起来方法是很有必要的。本文提出了三种融合多种生物信息数据的预测方法,一种是基于梯度提升决策树探究药物与蛋白之间的相互作用的预测方法,一种是基于自动编码器的药物与蛋白的互作预测模型以及一种基于图卷积的集成学习预测模型。NGDTP是一个基于非负矩阵分解和梯度提升决策树的药物蛋白互作预测方法。在本文的数据中,已知的药物-蛋白互作（正例）有1923个,而未知的互作（负例）有100多万个,这使得数据存在严重的类别不平衡。其实,负例对本文的预测效果也是有帮助的,可以为本文的实验提供了有效的预测信息。NGDTP是一种集成模型,可以充分的利用反例信息,NGBDT会随机的为每一次本文输入的药物和蛋白数据构建多棵决策树（其中,每棵树都是回归树）,每颗决策树都会给本文的输入进行打分,最后把所有树的得分累加起来作为最终评分。对该得分由高到低进行排序,就可以预测出与每个药物最有可能有互作关系的蛋白。AEFM是基于编解码器和GBDT的预测方法,关于自动编码器,主要是用于数据的降维以及将多源的信息融合起来。类别不平衡的数据对GBDT的预测影响不大。这对本文最终预测药物和蛋白的互作会有不错的帮助。AEFM模型会通过自动编码器的训练后,将本文的药物、蛋白、疾病的数据融合在了一起,即减少了噪声又使得数据变得更加稠密。接下来把处理好的低维特征矩阵作为GBDT模型的输入,通过GBDT模型对数据进行预测,可以得出某一个药物与某个蛋白之间的互作关系得分,对该得分进行由大到小的排序,可以预测出最有可能与某个药物有互作关系的蛋白。GCAMF是基于图卷积神经网络（GCN）的集成学习模型,对于原始的数据太过于稀疏,为了学习药物节点和蛋白节点在低维空间的特征表示,本文使用了一个基于GCN的自动编码器模型。图卷积网络作为一种图神经网络,可以充分的利用药物网络（或蛋白网络）中节点的属性和拓扑信息来学习节点的低维特征向量。之后,通过一个基于梯度提升决策树的集成学习模型来根据药物-蛋白对的特征向量来预测它们之间存在相互作用的可能性。