El uso combinado de múltiples medicamentos es común en el tratamiento, lo que puede llevar a interacciones medicamentosas graves (DDIs). Los métodos de aprendizaje profundo han sido ampliamente utilizados para predecir DDIs en los últimos años. Sin embargo, los modelos actuales necesitan ayuda para comprender completamente las características de los medicamentos y las relaciones entre estas características, lo que resulta en representaciones de características inexactas e ineficientes. Más allá de eso, los estudios existentes se centran predominantemente en analizar una sola DDI, sin explorar múltiples DDIs similares simultáneamente, limitando así el descubrimiento de mecanismos comunes subyacentes a las DDIs. Para abordar estas limitaciones, esta investigación propone un método basado en M-Transformer y grafo de conocimiento para predecir DDIs, que comprende un enfoque de doble vía y una red neuronal. En la primera vía, aprovechamos la interpretabilidad del transformer para capturar las intrincadas relaciones entre las características de los medicamentos utilizando el mecanismo de atención de múltiples cabezas, identificando y descartando información redundante para obtener una representación de medicamento más refinada y densa en información. Sin embargo, debido a la dificultad potencial para que un solo modelo transformer comprenda características de múltiples espacios semánticos, adoptamos M-Transformer para comprender la información estructural y farmacológica del medicamento, así como las conexiones entre ellas. En la segunda vía, construimos un grafo de conocimiento de interacción medicamentosa (DDIKG) utilizando vectores de representación de medicamentos obtenidos de M-Transformer como nodos y tipos de DDI como aristas. Posteriormente, los bordes de medicamentos con interacciones similares se agregaron utilizando una red neuronal de grafos (GNN). Esto facilita la exploración y extracción de mecanismos compartidos subyacentes a las interacciones medicamentosas. Experimentos extensos demuestran que nuestro modelo MTrans predice con precisión DDIs y supera a los modelos de vanguardia.