Die Untersuchung von Arzneimittel-Arzneimittel-Wechselwirkungen (ADWs) ist ein entscheidendes Element im Prozess der Arzneimittelentwicklung. ADWs treten auf, wenn die Eigenschaften eines Arzneimittels durch die Einnahme anderer Medikamente beeinflusst werden. Die Erkennung vorteilhafter ADWs bietet das Potenzial, den Weg für die Entwicklung und Förderung innovativer Medikamente zu ebnen, die in praktischen Anwendungen eingesetzt werden können. Dennoch stoßen bestehende ADW-Vorhersagemodelle weiterhin auf Herausforderungen im Zusammenhang mit der Generalisierung in Extremfällen, der robusten Merkmalsextraktion und den Möglichkeiten einer realen Anwendung. Wir beabsichtigen, diese Herausforderungen durch die Nutzung der Effektivität kontextbewussten tiefen Graph-Lernens zu bewältigen, indem wir einen neuen Rahmen namens CADGL (Context-Aware Deep Graph Learning) einführen. Basierend auf einem angepassten variationellen Graph-Autoencoder (VGAE) erfassen wir kritische strukturelle und physikochemische Informationen mithilfe zweier Kontextvorverarbeitungsmechanismen zur Merkmalsextraktion aus zwei verschiedenen Perspektiven: lokaler Nachbarschaft und molekularer Kontext in einer heterogenen grafischen Struktur. Unser angepasster VGAE besteht aus einem Graphenkodierer, einem Latentinformationenkodierer und einem MLP-Dekodierer. CADGL übertrifft andere state-of-the-art ADW-Vorhersagemodelle und zeichnet sich dadurch aus, dass es in der Vorhersage klinisch wertvoller neuer ADWs hervorragt, was durch sorgfältig durchgeführte Fallstudien gestützt wird.