近年来，基于图神经网络（GNN）的方法在药物响应预测任务中取得了优异的成果，成为主流方法之一。传统的GNN方法仅使用药物分子中的原子作为节点，通过节点信息传递来获取分子图的表示，而使用 Transformer （Transformer）的方法则只能提取节点的信息。然而，药物分子的共价键和手性对其药理性质有重要影响，这些信息隐含在由原子之间形成的化学键中。此外，用于建模细胞系基因组序列的卷积神经网络（CNN）方法只能感知序列的局部信息而非全局信息。为了解决上述问题，我们提出了一种用于药物响应预测的解耦双 Transformer 结构并嵌入边缘信息（TransEDRP），分别用于细胞系基因组和药物的表示。对于药物分支，我们将分子内的化学键信息编码为分子图中边的嵌入，利用图 Transformer 提取了药物分子的整体结构和生物化学信息。对于细胞系基因组分支，我们采用多头注意力机制对基因组序列进行全局表示。最后，通过 Transformer 层和全连接层将药物和基因组两个不同模态的分支融合起来，以预测IC50值。广泛的实验表明，我们的方法在所有评估指标上均优于当前主流方法。