Identification of potential drug–target interactions (DTIs) plays a pivotal role in the development of drug and target discovery in the public healthcare sector. However, biological experiments for predicting interactions between drugs and targets are still expensive, complicated, and time-consuming. Thus, computational methods are widely applied for aiding drug–target interaction prediction. In this paper, we propose a novel model, named GCMCDTI, for DTIs prediction which adopts a graph convolutional network based on matrix completion. We regard the association prediction between drugs and targets as link prediction and treat the process as matrix completion, and then a graph convolutional auto-encoder framework is employed to construct the drug and target embeddings. Then, a bilinear decoder is applied to reconstruct the DTI matrix. We conduct our experiments on four benchmark datasets consisting of enzymes, G protein-coupled receptors (GPCRs), ion channels, and nuclear receptors. The five-fold cross-validation results achieve the high average AUC values of 95.78%, 95.31%, 93.90%, and 91.77%, respectively. To further evaluate our method, we compare our proposed method with other state-of-the-art approaches. The comparison results illustrate that our proposed method obtains improvement in performance on DTI prediction. The proposed method will be a good choice in the field of DTI prediction.

识别潜在的药物-靶标相互作用 (DTI) 在公共医疗保健部门的药物开发和靶标发现中起着关键作用。然而，用于预测药物与靶点之间相互作用的生物学实验仍然昂贵、复杂且耗时。因此，计算方法被广泛应用于辅助药物-靶标相互作用预测。在本文中，我们提出了一种名为 GCMCDTI 的新模型，用于 DTI 预测，该模型采用基于矩阵补全的图卷积网络。我们将药物与靶标之间的关联预测视为链接预测，并将该过程视为矩阵补全，然后采用图卷积自动编码器框架来构建药物和靶标嵌入。然后，应用双线性解码器来重构DTI矩阵。我们在由酶、G 蛋白偶联受体 (GPCR)、离子通道和核受体组成的四个基准数据集上进行实验。五重交叉验证结果分别达到了 95.78%、95.31%、93.90% 和 91.77% 的高平均 AUC 值。为了进一步评估我们的方法，我们将我们提出的方法与其他最先进的方法进行了比较。比较结果表明，我们提出的方法在 DTI 预测方面取得了性能改进。所提出的方法将是 DTI 预测领域的一个很好的选择。为了进一步评估我们的方法，我们将我们提出的方法与其他最先进的方法进行了比较。比较结果表明，我们提出的方法在 DTI 预测方面取得了性能改进。所提出的方法将是 DTI 预测领域的一个很好的选择。为了进一步评估我们的方法，我们将我们提出的方法与其他最先进的方法进行了比较。比较结果表明，我们提出的方法在 DTI 预测方面取得了性能改进。所提出的方法将是 DTI 预测领域的一个很好的选择。