La predicción computacional de miARN, enfermedades y genes asociados con circARN tiene importantes implicaciones para la investigación de circARN, así como proporciona una referencia para experimentos en laboratorio que ahorran costos y tiempo. En este estudio, SGCNCMI, un modelo computacional que combina información multimodal y redes neuronales convolucionales gráficas, combina la similitud de nodos para formar información de nodos y luego predice nodos asociados utilizando GCN con un mecanismo de contribución distributiva. El modelo se puede utilizar no solo para predecir el nivel molecular de las interacciones circARN-miARN, sino también para predecir asociaciones circARN-cáncer y circARN-gene. Los AUC de las asociaciones circARN-miARN, circARN-enfermedad y circARN-gene en el experimento de validación cruzada de cinco pliegues de SGCNCMI son 89.42%, 84.18% y 82.44%, respectivamente. SGCNCMI es uno de los pocos modelos en este campo y logró los mejores resultados. Además, en nuestro estudio de caso, seis de los diez pares de relaciones con las puntuaciones de predicción más altas fueron verificados en PubMed.