본 연구는 약물-약물 상호작용(DDI) 예측을 위해 Morgan fingerprints (MFPS), Graph Convolutional Networks (GCNs) 기반 그래프 임베딩, 그리고 MoLFormer에서 얻은 트랜스포머 기반 임베딩 등 간단하지만 효과적인 분자 표현 방법을 사용하는 접근 방식을 제시합니다. DrugBank DDI 분할 및 FDA의 약물-약물 친화도(DDA) 데이터셋을 사용하여 성능을 벤치마킹한 결과, MFPS와 MoLFormer, GCN 표현을 함께 사용했을 때, 특히 정보 누출이 없는 분할에서도 경쟁력 있는 성능을 달성했습니다. 이는 간단한 분자 표현의 충분성을 보여줍니다. 또한, 연구에서 사용된 표현을 이용한 기울기 기반 분석을 통해 약물 상호작용과 관련된 주요 분자 모티프와 구조적 패턴을 확인했습니다.
