Die computergestützte Arzneimittelentwicklung nutzt Hochleistungsrechner, um die Prozesse der Arzneimittelentwicklung zu simulieren, und stellt ein vielversprechendes Forschungsfeld dar. Die Vorhersage der Affinität zwischen Arzneimittel und Zielmolekül (Drug–Target Affinity, DTA) ist der wichtigste Schritt in der computergestützten Arzneimittelentwicklung und kann den Entwicklungsprozess beschleunigen sowie den Ressourcenverbrauch reduzieren. Mit dem Fortschritt der tiefen Lernverfahren ist die Integration tiefer Lernmethoden in die DTA-Vorhersage und die Verbesserung der Vorhersagegenauigkeit zu einem zentralen Forschungsschwerpunkt geworden. In diesem Artikel werden basierend auf der strukturellen Information von Molekülen und Proteinen jeweils zwei Graphen für Arzneimittelmoleküle und Proteine aufgebaut. Graphen-neuronale Netze werden eingesetzt, um deren Darstellungen zu erzeugen, und ein Verfahren namens DGraphDTA wird vorgeschlagen, um die DTA-Vorhersage durchzuführen. Insbesondere wird der Proteingraph auf Basis der Kontaktkarte erstellt, die von einem Vorhersagemodell generiert wird und die strukturellen Eigenschaften eines Proteins anhand seiner Aminosäuresequenz vorhersagen kann. Die Bewertung anhand verschiedener Metriken auf Standard-Datensätzen zeigt, dass das in dieser Arbeit vorgestellte Verfahren eine hohe Robustheit und Verallgemeinerungsfähigkeit aufweist.