Les maladies complexes ou concomitantes sont souvent traitées par des associations de médicaments, ce qui peut entraîner un risque accru d'effets secondaires indésirables. La détection des effets secondaires liés à la polypharmacie est généralement réalisée lors des essais cliniques de phase IV, mais de nombreux effets restent encore inconnus lorsque les médicaments sont commercialisés. Ces incidents affectent une proportion croissante de la population (15 % aux États-Unis actuellement), il est donc crucial de pouvoir prédire les effets secondaires potentiels le plus tôt possible. L'évaluation systématique des interactions médicamenteuses possibles (DDI) est un défi complexe et coûteux. Cependant, l'augmentation récente et significative de la disponibilité des données issues des efforts de recherche et développement pharmaceutiques offre un nouveau paradigme pour extraire des informations pertinentes pour la prédiction des DDI. En conséquence, plusieurs approches récentes se concentrent sur la constitution de vastes bases de données d'interactions médicamenteuses (avec des millions d'exemples) et l'entraînement de modèles d'apprentissage automatique à partir de ces données. Nous proposons ici une architecture de réseau neuronal capable d'obtenir des résultats de pointe dans cette tâche---en utilisant uniquement le type d'effet secondaire et la structure moléculaire des médicaments---grâce à un mécanisme d'attention conjointe. Plus particulièrement, nous mettons en évidence l'importance d'intégrer dès le début les informations conjointes provenant des paires de médicaments lors de l'apprentissage de la représentation de chaque médicament.