本发明公开了一种基于图转换网络的药物ATC Code预测方法即DACPGTN，首先，获取与药物相关的靶标蛋白质与疾病，通过基于不同评价标准下的药物相互作用信息，得到7种药物相似性，并查找或计算与药物关联的靶标蛋白质、疾病相似性信息，将相似性信息作为特征，共同构建相应的复合特征矩阵，其次，考虑引入药物、靶标蛋白质、疾病三种实体间存在的已知关联信息，构建代表多个不同边关系的异构图，并使用图转化网络中Graph Transformer Layer，学习多个异构邻接矩阵的关联信息，从而学习到药物‑靶标蛋白质‑疾病之间的潜在多重关联图结构，最终将Graph Transformer Layer得到的关联信息图结构，与药物‑靶标蛋白质‑疾病复合特征矩阵，一起输入到端对端预测模块中进行学习，做出最终药物ATC Code预测；本发明简单有效，通过与其他方法比较，及在数据集上测试表明，该发明在药物ATC Code预测方面具有较好的性能。