Une écrasante majorité des études sur les interactions protéine-protéine (IPP) sont menées chez un nombre restreint d'organismes modèles, principalement en raison des contraintes de temps et de coûts associées aux expériences en laboratoire traditionnel. In silico, les méthodes d'inférence d'IPP constituent des outils idéaux pour surmonter ces limites, mais peinent souvent lors de prédictions interespèces. Nous présentons INTREPPPID, une méthode qui intègre des données d'orthologie à l'aide d'un nouveau réseau neuronal à "quintuplets", construit à partir de cinq encodeurs parallèles aux paramètres partagés. INTREPPPID intègre à la fois une tâche de classification des IPP et une tâche de localité orthologue. Cette dernière apprend des plongements d'orthologues qui présentent de faibles distances euclidiennes entre eux et de grandes distances par rapport aux plongements de toutes les autres protéines. INTREPPPID surpasse toutes les autres méthodes de pointe d'inférence d'IPP testées, tant sur les tâches intra-espèces qu'interespèces, selon des jeux de données d'évaluation rigoureux. Nous démontrons que la perte de localité orthologue d'INTREPPPID améliore les performances grâce à la pertinence biologique des données d'orthologie, et non en raison d'un autre aspect trompeur de l'architecture. Enfin, nous présentons PPI.bio et PPI Origami, respectivement une interface de serveur Web pour INTREPPPID et un outil logiciel permettant de générer des jeux de données d'évaluation rigoureux. Ensemble, ces deux initiatives visent à rendre l'utilisation et le développement d'outils d'inférence d'IPP plus accessibles à la communauté.