異なる薬剤を併用する際の主要な懸念事項は、それらの作用機序間に干渉が生じるリスク、すなわち有害な薬物間相互作用（Adverse Drug–Drug Interactions, DDIs）の可能性である。これは生物体に深刻な障害を引き起こすことがある。これまでに、潜在的な有害DDIを同定するための複数の計算手法が提案されてきたが、依然として改善の余地がある。既存の手法は、DDIが根本的には全体の薬物化学構造ではなく、化学的サブストラクチャ間の相互作用によって引き起こされるという知識を明示的に反映していない。さらに、大多数の既存手法は手動で設計された分子表現に依存しており、これはドメイン専門家の知識に制限されるという課題を抱えている。本研究では、サブストラクチャ間相互作用と薬物間相互作用を統合した深層学習フレームワークである「Substructure–Substructure Interaction–Drug–Drug Interaction（SSI–DDI）」を提案する。このフレームワークは、薬物の原始的な分子グラフ表現を直接処理することで、より豊かな特徴抽出を可能とし、特に重要な点として、2つの薬物間のDDI予測タスクを、それぞれの薬物に含まれるサブストラクチャ間のペアワイズ相互作用を特定するタスクに分解する。SSI–DDIは実世界のデータを用いて評価され、最先端の手法と比較してDDI予測性能を向上させた。ソースコードは、https://github.com/kanz76/SSI-DDI にて無料で公開されている。