Los individuos de redes del mundo real participan en varios tipos de conexiones, cada una formando una capa en redes multiplex. La predicción de enlaces es un problema importante en el análisis de redes multiplex debido a su amplia gama de aplicaciones prácticas, como la minería de objetivos de medicamentos, recomendar amigos en redes sociales y explorar mecanismos de evolución de redes. Un problema clave de la predicción de enlaces dentro de redes multiplex es cómo estimar la probabilidad de enlaces potenciales en la capa predicha aprovechando tanto la información entre capas como la información dentro de la capa. Varios estudios han demostrado que la incorporación de información topológica entre capas puede mejorar el rendimiento de la predicción de enlaces en la capa predicha. Por lo tanto, este documento propone el método de Predicción de Enlaces basado en la Relevancia Global de Interlayer (LPGRI) para estimar la probabilidad de enlaces potenciales en la capa predicha de redes multiplex, que utiliza de manera integral ambos tipos de información. En el método LPGRI, la contribución de la información entre capas se determina utilizando el índice de relevancia global (GR) entre capas. Estudios experimentales en seis redes multiplex reales demuestran el rendimiento competitivo de nuestro método.