La predicción de interacciones biomédicas es esencial para la exploración de relaciones entre entidades biomédicas. Las interacciones biomédicas predichas pueden ayudar a los investigadores en el descubrimiento de medicamentos, el tratamiento de enfermedades y más. En los últimos años, las redes neuronales de grafo han aprovechado su estructura natural para lograr un gran progreso en la predicción de interacciones biomédicas. Sin embargo, la mayoría de ellas utilizan la incrustación de nodos en lugar de utilizar directamente la incrustación de bordes, lo que resulta en pérdida de información. Además, predicen enlaces basados en suposiciones de correlación de similitud de nodos, lo que tiene una pobre generalización. Además, no consideran la diferencia en la información topológica entre los enlaces de muestras negativas y positivas, lo que limita su rendimiento. Por lo tanto, en este artículo, proponemos un método de contraste de gráfico de línea adaptativo (ALGC) para convertir enlaces de muestras negativas y positivas en dos tipos de nodos de gráfico de línea. Ajustando el número de bordes de gráfico de línea intra-clase y bordes de gráfico de línea inter-clase, se genera un gráfico de línea aumentado y, finalmente, la información de las dos vistas se equilibra mediante el aprendizaje contrastivo. A través de experimentos en cuatro conjuntos de datos públicos, se demuestra que el modelo ALGC supera a los métodos más avanzados.