基因互作网络的拓扑结构为推断基因或蛋白质的功能模式提供了丰富的信息来源。然而，如何整合基因表达、基因互作等异构生物信息，以实现更精确的预测与新基因互作的发现，仍是极具挑战性的任务。尤其关键的是，如何生成统一的向量表示来融合多种异构输入数据，这一问题正是本文所聚焦的核心挑战。为此，我们提出了一种可扩展且鲁棒的深度学习框架，用于学习嵌入表示，以统一整合已知的基因互作关系与基因表达数据，从而实现基因互作的预测。这些低维嵌入表示能够深入揭示快速积累且高度多样化的基因互作网络的内在结构，并显著简化下游建模过程。我们将所提出的深度嵌入表示的预测能力与多个强基准方法进行了对比，结果表明，我们的方法在预测准确性上显著优于现有方法。此外，通过最新文献数据库的验证，我们获得了一组新颖的基因互作预测结果，进一步证实了其可靠性。该研究凸显了整合基因异构信息在基因网络推断中的重要性。所提出的GNE模型已开源，遵循GNU通用公共许可证（GPL），可从GitHub平台免费获取（https://github.com/kckishan/GNE）。