Biomedizinische Interaktionsnetzwerke bieten enormes Potenzial für die Vorhersage biologisch bedeutungsvoller Interaktionen, die Identifizierung von Netzwerk-Biomarkern von Krankheiten sowie die Entdeckung vermuteter Arzneimittelziele. Kürzlich wurden Graph Neural Networks vorgeschlagen, um effektiv Repräsentationen für biomedizinische Entitäten zu lernen und dabei state-of-the-art-Ergebnisse bei der Vorhersage biomedizinischer Interaktionen erzielt. Diese Methoden berücksichtigen lediglich Informationen von unmittelbaren Nachbarn und können keine allgemeine Mischung von Merkmalen aus Nachbarn unterschiedlicher Entfernungen erlernen. In diesem Artikel präsentieren wir ein Higher-Order Graph Convolutional Network (HOGCN), das Informationen aus höherordentlichen Nachbarschaften zur Vorhersage biomedizinischer Interaktionen aggregiert. Konkret sammelt HOGCN Merkmalsrepräsentationen von Nachbarn verschiedener Entfernungen und lernt deren lineare Mischung, um informativere Repräsentationen biomedizinischer Entitäten zu erzeugen. Experimente an vier Interaktionsnetzwerken – einschließlich Protein-Protein-, Arzneimittel-Arzneimittel-, Arzneimittel-Ziel- und Gen-Krankheits-Interaktionen – zeigen, dass HOGCN genauere und besser kalibrierte Vorhersagen erzielt. HOGCN erzielt besonders gute Ergebnisse bei rauschbehafteten, spärlichen Interaktionsnetzwerken, wenn Merkmalsrepräsentationen von Nachbarn verschiedener Entfernungen berücksichtigt werden. Zudem werden eine Reihe neuer Interaktionsvorhersagen durch literaturbasierte Fallstudien validiert.