研究药物-药物相互作用（DDIs）是药物开发过程中的关键环节。当一种药物的特性受到其他药物的影响时，就会发生DDIs。发现有利的DDIs有可能为实际应用中创新药物的创造和发展铺平道路。然而，现有的DDI预测模型仍然面临在极端情况下泛化能力不足、鲁棒特征提取困难以及现实应用可能性有限等挑战。我们通过引入一种名为CADGL的新框架，利用上下文感知深度图学习的有效性来应对这些挑战。基于定制的变分图自编码器（VGAE），我们使用两个上下文预处理器从不同的角度——局部邻域和分子上下文——在异构图结构中捕捉关键的结构和生理化学信息进行特征提取。我们的定制VGAE包括一个图编码器、一个潜在信息编码器和一个MLP解码器。CADGL超越了其他最先进的DDI预测模型，在预测具有临床价值的新DDIs方面表现出色，并得到了严格案例研究的支持。