コンピュータ支援薬物設計（Computer-aided drug design）は、高性能コンピュータを用いて薬物設計のプロセスをシミュレートする手法であり、有望な研究分野として注目されている。この分野における最も重要なステップは、薬物-標的親和性（Drug–target affinity, DTA）の予測であり、これにより薬物開発のスピードアップと資源消費の削減が可能となる。深層学習（deep learning）の発展に伴い、DTA予測への深層学習の導入および予測精度の向上が、近年の研究の中心的課題となっている。本研究では、分子およびタンパク質の構造情報を活用し、それぞれ薬物分子とタンパク質のグラフ構造を構築した。その後、グラフニューラルネットワーク（Graph neural networks）を用いて両者の表現を獲得し、DTA予測を目的とした新規手法「DGraphDTA」を提案した。特に、タンパク質のグラフは、タンパク質のアミノ酸配列からその構造的特徴を予測する手法によって得られる接触マップ（contact map）に基づいて構築されている。ベンチマークデータセットにおけるさまざまな評価指標を用いた実験結果から、本研究で提案する手法が優れたロバスト性および汎化能力を有していることが確認された。