遺伝子相互作用ネットワークのトポロジカル構造は、遺伝子やタンパク質の機能パターンを推定するための豊富な情報を提供する。しかし、遺伝子発現データや遺伝子相互作用データなど、多様な生物学的情報を統合して、新たな遺伝子相互作用の予測や発見をより正確に行うことは依然として困難な課題である。特に、多様な入力データを統合するための統一されたベクトル表現を生成する方法は、本研究で取り組む重要な課題である。本研究では、既知の遺伝子相互作用と遺伝子発現データを統一的に扱うためのスケーラブルかつ堅牢な深層学習フレームワークを提案する。このフレームワークにより得られる低次元埋め込み表現は、急速に蓄積され多様化する遺伝子相互作用ネットワークの構造に関するより深い洞察を提供するとともに、下流のモデリングを大幅に簡素化する。提案手法の深層埋め込み表現の予測性能を強力なベースラインと比較した結果、本手法が顕著に高い予測精度を達成することが示された。さらに、最新の文献ベースのデータベースエントリを用いて、本研究が予測した複数の新規遺伝子相互作用が実証された。これらの結果から、遺伝子ネットワーク推定において、多様な遺伝子関連情報の統合の重要性が明確に示された。本研究で提案するモデルGNEはGNU General Public Licenseの下で無料で利用可能であり、GitHub（https://github.com/kckishan/GNE）からダウンロードできる。