传统药物研发周期长（10-15年）、成本高，而药物重定位通过挖掘已获批药物的新适应症，可大幅缩短研发流程。随着生物医学大数据爆发，图神经网络（GNN）凭借其对复杂关联关系的强大建模能力，成为突破药物重定位技术瓶颈的关键路径。由于药物相关数据涉及多模态、跨组学数据，如何更多的挖掘这些信息，对于药物重定位的准确性有着重要的意义。

我们实现了多源异构数据融合，融合药物分子图、蛋白互作网络、疾病表型数据及临床副作用信息的异质知识图谱，突破单一数据源局限性。自适应关系学习机制，开发基于注意力机制的GNN模型（如DR-GAT），动态学习药物-靶点-疾病间的高阶关联，预测精度较传统方法提升。跨模态协同训练框架，集成分子图卷积与知识图谱嵌入技术，实现对药物功能的多维度表征，模型泛化能力提升。引入强化学习，通过设计合理的状态表示、动作空间和奖励函数，使模型能够学习到最优的药物重定位策略。

技术指标：支持百万级节点异质网络分析；预测Top-100候选药物验证成功率较高；单任务预测耗时较少。

目前已发表相关论文10余篇，已申请专利3项（授权1项），软著10余项。