Das topologische Gefüge von Gen-Interaktionsnetzwerken stellt eine reichhaltige Informationsquelle dar, um funktionale Muster von Genen oder Proteinen abzuleiten. Dennoch bleibt die Aggregation heterogener biologischer Informationen – wie Genexpression und Gen-Interaktionen – eine herausfordernde Aufgabe, um präzisere Vorhersagen und Entdeckungen neuer Gen-Interaktionen zu ermöglichen. Insbesondere stellt die Erzeugung einer einheitlichen Vektorrepräsentation zur Integration diverser Eingabedaten eine zentrale Herausforderung dar, die hier adressiert wird. Wir stellen einen skalierbaren und robusten Deep-Learning-Framework vor, der eingebettete Darstellungen lernt, um bekannte Gen-Interaktionen und Genexpression zu vereinheitlichen und damit Vorhersagen von Gen-Interaktionen zu ermöglichen. Diese niedrigdimensionalen Embeddings ermöglichen tiefere Einblicke in die Struktur der rasch wachsenden und vielfältigen Gen-Interaktionsnetzwerke und vereinfachen erheblich die nachfolgende Modellierung. Wir vergleichen die Vorhersagekraft unserer Deep-Embeddings mit starken Baselines. Die Ergebnisse zeigen, dass unsere Deep-Embeddings signifikant genauere Vorhersagen erzielen. Zudem werden eine Reihe neuartiger Gen-Interaktionsvorhersagen durch aktuelle Einträge in literaturbasierten Datenbanken validiert. Das vorgeschlagene Modell unterstreicht die Bedeutung der Integration heterogener Geninformationen für die Inferenz von Gen-Netzwerken. GNE ist kostenlos unter der GNU General Public License verfügbar und kann von GitHub heruntergeladen werden (https://github.com/kckishan/GNE).