複数の薬剤を組み合わせて使用する治療法、いわゆる多剤併用（polypharmacy）は、複雑な疾患や併存症を有する患者の治療に一般的です。しかし、多剤併用の主要な副作用として、患者が重大な副作用を経験するリスクが大幅に高まります。これらの副作用は、薬剤-薬剤相互作用（drug-drug interactions）によって引き起こされることが多く、ある薬剤が他の薬剤と同時に摂取された場合、その効果が変化することが原因です。薬剤相互作用に関する知識は限られており、これはこれらの複雑な関係性が稀であり、比較的小規模な臨床試験では通常観察されないためです。したがって、多剤併用による副作用の発見は重要な課題であり、患者の死亡率に大きな影響を与える可能性があります。本稿では、多剤併用による副作用をモデル化するアプローチであるDecagonを紹介します。このアプローチは、タンパク質-タンパク質相互作用、薬剤-タンパク質標的相互作用、および多剤併用による副作用（これらは薬剤-薬剤相互作用として表現され、各副作用が異なるタイプのエッジとして表されます）からなるマルチモーダルグラフを構築します。Decagonは特に多くのエッジタイプを持つマルチモーダルグラフを処理するために開発されました。当方針では、マルチモーダルネットワークにおける多重関係リンク予測のために新しいグラフ畳み込みニューラルネットワークを開発しています。Decagonは特定の薬剤組み合わせが臨床的にどのように現れるかを正確に予測し、具体的にはどのような副作用が現れるかを予測します。Decagonは基準モデルよりも最大69%優れた性能で多剤併用による副作用を正確に予測します。我々はまた、Decagonが自動的に患者における多剤併用の共発生を示す副作用の表現を学習することを見出しました。さらに、Decagonは分子レベルでの強い基礎を持つ副作用を特に良好にモデル化し、主に非分子的な副作用においても効果的なモデルパラメータの共有により良い性能を達成しています。Decagonは大規模な医薬ゲノミクスデータや患者データを使用して副作用をフラグ付けし、後続分析のために優先順位付けを行う機会を作り出す可能性があります。