Исследование представляет инновационную гибридную нейронную сеть на основе гиперграфов (HGNN) и графовых сверточных сетей (GCN) для решения проблемы антимикробной резистентности. Модель предназначена для прогнозирования результатов комбинированной терапии, включая сочетание антимикробных пептидов (AMP) с традиционными антибиотиками. В основе метода лежит использование тернарных гиперребер, представляющих триплеты «агент-агент-бактерия», что позволяет учитывать контекстные зависимости взаимодействий. Для обучения использовались молекулярные графовые эмбеддинги, полученные из SMILES-нотаций, и таксономические представления бактерий. Задача решалась как трехклассовая классификация: синергия, антагонизм и отсутствие взаимодействия. Результаты тестирования показали высокую эффективность: точность (accuracy) составила 0.83, ROC-AUC достиг 0.95, а взвешенный F1-score — 0.84. В частности, точность прогнозирования антагонизма составила 0.92, а синергии — 0.80. Данная разработка позволяет значительно ускорить процесс компьютерного отбора перспективных комбинаций препаратов для последующих лабораторных испытаний.