La prédiction précise des interactions médicamenteuses (DDI) est essentielle pour la sécurité des traitements et le développement efficace de nouveaux médicaments. Toutefois, les méthodes actuelles peinent souvent à capturer l'information structurale à différentes échelles, allant des groupes fonctionnels locaux à la topologie moléculaire globale, et manquent généralement de mécanismes pour quantifier la confiance des prédictions. Pour pallier ces limites, nous proposons MPNP-DDI, un nouveau cadre d’apprentissage par processus graphique multi-échelle. Le cœur de MPNP-DDI repose sur un schéma original d’échange de messages, appliqué itérativement, permettant d’apprendre une hiérarchie de représentations graphiques à plusieurs échelles. De manière cruciale, un mécanisme d’attention croisée entre médicaments fusionne dynamiquement ces représentations multi-échelles afin de générer des embeddings contextuels pour les paires de médicaments interagissant, tandis qu’un module intégré de processus neuronal fournit une estimation fondée de l’incertitude. Des expériences étendues montrent que MPNP-DDI surpasse significativement les meilleures méthodes actuelles sur des jeux de données standards. En offrant des prédictions précises, généralisables et prises en compte par l’incertitude, fondées sur des caractéristiques structurales multi-échelles, MPNP-DDI constitue un outil computationnel puissant pour la pharmacovigilance, l’évaluation du risque de polypharmacie et la médecine personnalisée.