Die Verwendung von Medikamentenkombinationen, als Polypharmazie bezeichnet, ist üblich zur Behandlung von Patienten mit komplexen Erkrankungen und Nebenerkrankungen. Ein wesentlicher Nachteil der Polypharmazie ist jedoch das erheblich erhöhte Risiko von unerwünschten Nebenwirkungen für den Patienten. Diese Nebenwirkungen treten aufgrund von Medikamenten-Medikament-Interaktionen (drug-drug interactions) auf, bei denen die Wirkung eines Medikaments durch die gleichzeitige Einnahme eines anderen Medikaments verändert werden kann. Das Wissen über Medikamenteninteraktionen ist begrenzt, da diese komplexen Beziehungen selten sind und in relativ kleinen klinischen Studien in der Regel nicht beobachtet werden. Die Entdeckung von Nebenwirkungen der Polypharmazie stellt daher eine wichtige Herausforderung dar, die erhebliche Auswirkungen auf die Patientenmortalität hat.Hier stellen wir Decagon vor, einen Ansatz zur Modellierung von Nebenwirkungen der Polypharmazie. Dieser Ansatz erstellt ein multimodales Graphennetzwerk von Protein-Protein-Interaktionen, Medikament-Protein-Ziel-Interaktionen und den Nebenwirkungen der Polypharmazie, die als Medikament-Medikament-Interaktionen dargestellt werden, wobei jede Nebenwirkung eine Kante eines anderen Typs darstellt. Decagon wurde speziell entwickelt, um solche multimodal-graphischen Strukturen mit einer großen Anzahl verschiedener Kantenarten zu verarbeiten. Unser Ansatz entwickelt ein neues Graph-konvolutions neuronales Netzwerk für die Vorhersage multirelationaler Verbindungen in multimodal-graphischen Netzen. Decagon prognostiziert die genaue Nebenwirkung, falls vorhanden, durch welche eine gegebene Medikamentenkombination klinisch manifestiert.Decagon erreicht eine hohe Genauigkeit bei der Vorhersage von Nebenwirkungen der Polypharmazie und übertrifft Baseline-Methoden bis zu 69 %. Wir stellen fest, dass es automatisch Repräsentationen von Nebenwirkungen lernt, die auf das gleichzeitige Auftreten von Polypharmazie bei Patienten hinweisen. Darüber hinaus modelliert Decagon besonders gut solche Nebenwirkungen mit starker molekularer Grundlage; bei überwiegend nicht-molekularen Nebenwirkungen erzielt es dank effektiver Parameterfreigabe zwischen verschiedenen Kantenarten gute Leistungen. Decagon bietet somit Möglichkeiten, große pharmakogenomische und Patientendaten zu nutzen, um potentielle Nebenwirkungen zu kennzeichnen und für nachfolgende Analyseschritte zu priorisieren.