تُعالج الأمراض المعقدة أو المترافقة عادةً باستخدام مجموعات من الأدوية، مما قد يؤدي إلى زيادة خطر الآثار الجانبية الضارة. يتم اكتشاف آثار متعدد الأدوية الجانبية عادةً في المرحلة الرابعة من التجارب السريرية، ولكن لا يزال هناك الكثير منها غير مكتشف عند طرح الأدوية في السوق. تؤثر مثل هذه الحوادث على نسبة متزايدة من السكان (15٪ الآن في الولايات المتحدة)، ولذلك فإن القدرة على التنبؤ بالآثار الجانبية المحتملة بأقرب وقت ممكن هي ذات أهمية كبيرة. يعد الفحص المنهجي للتفاعلات المحتملة بين الأدوية (DDI) تحديًا باهظ الثمن. ومع ذلك، فإن الزيادات الملحوظة الأخيرة في توفر البيانات من جهود البحث والتطوير الصيدلاني تقدم نموذجًا جديدًا لاستعادة الرؤى ذات الصلة لتنبؤات DDI. وفقًا لذلك، تركز العديد من الأساليب الحديثة على تنسيق قواعد بيانات ضخمة للتفاعلات بين الأدوية (تحتوي على ملايين الأمثلة) وتدريب نماذج التعلم الآلي عليها. هنا نقترح هندسة شبكة عصبية قادرة على تحقيق أفضل النتائج في هذا المهمة---باستخدام نوع الآثار الجانبية والهيكل الجزيئي للأدوية فقط---عن طريق الاستفادة من آلية الانتباه التعاوني. بشكل خاص، نوضح أهمية دمج المعلومات المشتركة من أزواج الأدوية في وقت مبكر عند تعلم تمثيل كل دواء.