La predicción de interacciones entre medicamentos (DDI) es una de las tareas esenciales en el desarrollo de fármacos para garantizar la salud pública y la seguridad del paciente. Las combinaciones de medicamentos con DDI potencialmente graves han sido verificadas como una amenaza crítica para la seguridad de los pacientes, por lo que es de gran importancia desarrollar algoritmos computacionales efectivos para identificar posibles DDI en ensayos clínicos. Al modelar DDIs con una estructura de grafo, se han realizado intentos recientes para resolver el problema de predicción de DDIs utilizando técnicas avanzadas de aprendizaje de representación de grafos. Sin embargo, su capacidad representativa está limitada por estructuras isomorfas que se observan con frecuencia en las redes de DDI. Para abordar este problema, proponemos un algoritmo novedoso llamado DDIGIN para predecir DDIs incorporando una red de isomorfismo de grafos (GIN) de modo que se puedan aprender representaciones más discriminativas de los medicamentos para un rendimiento mejorado. Dado un red de DDI, DDIGIN primero inicializa las representaciones de los medicamentos con Node2Vec de acuerdo con la estructura topológica y luego optimiza estas representaciones propagando y agregando la información de los vecinos de primer orden de manera inyectiva. Al hacerlo, se pueden aprender representaciones más poderosas para los medicamentos con estructuras isomorfas. Por último, DDIGIN estima la probabilidad de interacción para los medicamentos en pares multiplicando sus representaciones de manera integral. Los resultados experimentales demuestran que DDIGIN supera a varios algoritmos de vanguardia en los conjuntos de datos ogbl-ddi (Acc = 0.8518, AUC = 0.8594 y AUPR = 0.9402) y DDInter (Acc = 0.9763, AUC = 0.9772 y AUPR = 0.9868). Además, nuestro estudio de caso indica que la incorporación de GIN mejora el poder expresivo de las representaciones de medicamentos para un mejor rendimiento en la predicción de DDI.