Die präzise Vorhersage von Arzneimittel-Ziel-Interaktionen (Drug-Target Interactions, DTI) ist entscheidend für die Arzneimittelentwicklung. In letzter Zeit haben tiefe Lernmodelle (Deep Learning, DL) vielversprechende Leistungen bei der Vorhersage von DTI gezeigt. Dennoch können diese Modelle sowohl für Informatiker, die in das biomedizinische Feld einsteigen, als auch für Bioinformatiker mit begrenzter Erfahrung im Bereich des tiefen Lernens schwer zugänglich sein. Wir präsentieren DeepPurpose, eine umfassende und benutzerfreundliche Bibliothek für tiefes Lernen zur Vorhersage von DTI. DeepPurpose ermöglicht die Anpassung individueller DTI-Vorhersagemodelle durch die Implementierung von 15 Verfahren zur Darstellung von Verbindungen und Proteinen sowie über 50 neuronale Architekturen, zusätzlich zu zahlreichen weiteren nützlichen Funktionen. Wir zeigen, dass DeepPurpose auf mehreren Benchmark-Datensätzen eine state-of-the-art-Leistung erzielt.