다중 약물 사용, 즉 폴리파마시(polypharmacy)는 복잡한 질병과 동반 증상이 있는 환자를 치료하는 데 일반적으로 활용됩니다. 그러나 폴리파마시의 주요 부작용은 환자의 부정적인 반응 위험이 크게 증가한다는 것입니다. 이 부작용은 약물-약물 상호작용(drug-drug interactions)으로 인해 발생하며, 하나의 약물이 다른 약물과 함께 복용될 때 그 활성이 변화할 수 있습니다. 이러한 복합적인 관계는 드물기 때문에 대부분 작은 규모의 임상 시험에서는 관찰되지 않으며, 폴리파마시 부작용에 대한 지식은 제한적입니다. 따라서 폴리파마시 부작용을 발견하는 것은 환자의 사망률에 중대한 영향을 미치는 중요한 과제입니다.본 연구에서 우리는 폴리파마시 부작용을 모델링하기 위한 접근 방법인 Decagon을 소개합니다. 이 접근 방법은 단백질-단백질 상호작용, 약물-단백질 대상 상호작용, 그리고 폴리파마시 부작용(약물-약물 상호작용으로 표현됨)을 포함하는 다중 모드 그래프를 구성합니다. 각각의 부작용은 서로 다른 유형의 엣지로 표현됩니다. Decagon은 이러한 다중 모드 그래프와 많은 수의 엣지 유형을 처리하도록 특별히 개발되었습니다. 우리의 접근 방법은 다중 모드 네트워크에서 다중 관계 링크 예측을 위한 새로운 그래프 컨볼루셔널 신경망(graph convolutional neural network)을 개발합니다.Decagon은 특정 약물 조합이 임상적으로 어떻게 나타나는지 정확한 부작용을 예측합니다. Decagon은 기존 기준보다 최대 69% 더 우수한 성능으로 폴리파마시 부작용을 정확히 예측합니다. 우리는 이를 통해 환자에서 폴리파마시가 동시 발생할 가능성을 나타내는 부작용 표현을 자동으로 학습한다는 것을 확인했습니다. 또한, Decagon은 분자적 근거가 강한 부작용을 특히 잘 모델링하며, 주로 분자적 근거가 없는 부작용에서도 효과적인 모델 매개변수 공유 덕분에 좋은 성능을 보입니다.Decagon은 대규모 의약유전체학(pharmacogenomic) 데이터와 환자 데이터를 활용하여 후속 분석을 위한 부작용 경보 및 우선 순위 설정 기회를 제공합니다.