Le paysage topologique des réseaux d'interactions géniques constitue une source riche d'informations pour inférer les motifs fonctionnels des gènes ou des protéines. Toutefois, il reste un défi majeur d'intégrer des informations biologiques hétérogènes, telles que l'expression génique et les interactions géniques, afin d'améliorer la précision des prédictions et la découverte de nouvelles interactions géniques. En particulier, la génération d'une représentation vectorielle unifiée capable d'intégrer diverses sources de données d'entrée constitue un enjeu clé abordé dans cette étude. Nous proposons un cadre d'apprentissage profond évolutif et robuste pour apprendre des représentations intégrées, visant à unifier les interactions connues entre gènes et les données d'expression génique afin de prédire de nouvelles interactions géniques. Ces embeddings de faible dimension offrent des perspectives plus profondes sur la structure des réseaux d'interactions géniques en croissance rapide et très diversifiés, tout en simplifiant considérablement les modélisations ultérieures. Nous comparons la puissance prédictive de nos embeddings profonds aux modèles de référence performants. Les résultats montrent que nos embeddings profonds permettent des prédictions significativement plus précises. En outre, un ensemble de nouvelles prédictions d'interactions géniques a été validé par des entrées récentes issues de bases de données fondées sur la littérature scientifique. Le modèle proposé met en évidence l'importance cruciale de l'intégration d'informations hétérogènes sur les gènes pour l'inférence des réseaux géniques. GNE est librement disponible sous la licence publique générale GNU et peut être téléchargé depuis GitHub (https://github.com/kckishan/GNE).