Komplexe oder gleichzeitig auftretende Krankheiten werden häufig mit Kombinationen von Medikamenten behandelt, was zu einem erhöhten Risiko von Nebenwirkungen führen kann. Die Erfassung von Nebenwirkungen bei der Gleichzeitigen Anwendung mehrerer Medikamente (Polypharmazie-Nebenwirkungen) erfolgt in der Regel in Phase-IV-Klinischen Studien, jedoch bleiben viele solcher Nebenwirkungen auch nach der Markteinführung unentdeckt. Solche Vorfälle betreffen einen zunehmenden Teil der Bevölkerung (jetzt 15 % in den USA), weshalb es von hohem Interesse ist, die potentiellen Nebenwirkungen so früh wie möglich vorherzusagen. Systematische kombinatorische Screeninguntersuchungen möglicher Arzneimittel-Arzneimittel-Interaktionen (DDI) sind herausfordernd und kostspielig. Allerdings bieten die jüngsten erheblichen Zuwächse an Daten aus pharmazeutischen Forschungs- und Entwicklungsaktivitäten ein neues Paradigma zur Gewinnung relevanter Erkenntnisse für die Vorhersage von DDIs. Demgemäß konzentrieren sich mehrere aktuelle Ansätze auf die Erstellung umfangreicher DDI-Datensätze (mit Millionen von Beispielen) und das Training maschineller Lernmodelle darauf. Hier schlagen wir eine neuronale Netzwerkarchitektur vor, die es ermöglicht, Stand-des-Wissens-Ergebnisse bei dieser Aufgabe zu erzielen – allein durch die Verwendung des Nebenwirkungstyps und der molekularen Struktur der Medikamente – indem sie ein ko-attentives Mechanismus nutzt. Insbesondere zeigen wir die Bedeutung des frühen Integrations von gemeinsamen Informationen aus den Medikamentenkombinationen beim Lernen der Darstellung jedes einzelnen Medikaments.