Ein wesentlicher Aspekt bei der gleichzeitigen Anwendung verschiedener Medikamente ist das hohe Risiko von Wechselwirkungen zwischen ihren Wirkmechanismen, sogenannte ungünstige Arzneimittel-Arzneimittel-Wechselwirkungen (DDIs, drug–drug interactions), die schwere Schäden für den Organismus verursachen können. Obwohl mehrere rechnergestützte Methoden zur Identifizierung potenzieller ungünstiger DDIs vorgeschlagen wurden, besteht weiterhin Verbesserungsbedarf. Die bestehenden Ansätze basieren nicht explizit auf der Erkenntnis, dass DDIs grundlegend auf Wechselwirkungen zwischen chemischen Substrukturen statt auf den gesamten chemischen Strukturen der Medikamente beruhen. Zudem stützen sich die meisten Methoden auf manuell entwickelte molekulare Darstellungen, die durch das Wissen von Fachexperten begrenzt sind. Wir stellen SSI–DDI (substructure–substructure interaction–drug–drug interaction), einen tiefen Lernrahmen vor, der direkt auf den rohen molekularen Graphendarstellungen von Arzneimitteln operiert, um eine reichhaltigere Merkmalsextraktion zu ermöglichen; und vor allem den Aufgabenbereich der DDI-Vorhersage zwischen zwei Arzneimitteln in die Identifizierung von Paarwechselwirkungen zwischen ihren jeweiligen Substrukturen zerlegt. SSI–DDI wird an realen Datensätzen evaluiert und erreicht eine verbesserte Vorhersageleistung im Vergleich zu aktuellen State-of-the-Art-Methoden. Der Quellcode ist frei zugänglich unter https://github.com/kanz76/SSI-DDI.