複雑な疾患や併存疾患は通常、薬物の組み合わせを使用して治療されることが多く、これにより副作用のリスクが高まる可能性があります。多剤併用による副作用の検出は通常、第IV相臨床試験で行われますが、市販後に未発見の副作用が多数存在する場合があります。このような事故は人口の増加する割合（現在米国では15%）に影響を及ぼしており、可能な限り早期に潜在的な副作用を予測することが重要となっています。薬物間相互作用（Drug-Drug Interaction: DDI）の可能性のある組み合わせを系統的にスクリーニングすることは困難かつ費用がかかります。しかし、製薬研究開発におけるデータの可用性の大幅な向上により、DDI予測に有用な洞察を得る新しいパラダイムが提供されています。それに応じて、最近のいくつかのアプローチでは、大規模なDDIデータセット（数百万件の例）を作成し、それらに対して機械学習モデルを訓練することに焦点を当てています。本稿では、副作用の種類と薬物の分子構造のみを使用してこのタスクにおいて最先端の結果を達成できるニューラルネットワークアーキテクチャを提案します。特に、各薬物の表現を学習する際に早期から薬物ペアからの共同情報を統合することの重要性を示しています。