1.一种预测疾病与LncRNA关联关系的方法，其特征在于，包括以下步骤：S1：从已知数据库获取LncRNA‑miRNA关联关系和miRNA‑疾病关联关系，根据二者构建LncRNA‑miRNA‑疾病相互作用网络；

S2：基于所述LncRNA‑miRNA‑疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；

S3：根据所述疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算得到LncRNA相似性NSL，以及疾病相似性NSD，训练疾病与LncRNA关联关系的预测模型；其中，对于任意给定的LncRNA节点li∈L和疾病节点dj∈D，li和dj之间的潜在关联概率可以根据以下公式(10)获得：参数K是大于1的整数，参数γ满足0＜γ＜1；其中，融合矩阵NAAM：T

其中LMD＝LM×MD是|L|×|D|维矩阵；LMD是LMD的转置；|L|表示L中的LncRNA的数目；|D|表示D中的疾病数目；

S4：使用已知的LncRNA‑疾病关联对作为验证集对预测模型进行验证；

S5：根据验证的结果调整预测模型的参数，优化所述预测模型，包括以下步骤：S51：通过调整阈值，绘制TPR和FPR的不同阈值的ROC曲线，计算ROC曲线的AUC；其中，TPR是预测验证样本的排名高于给定阈值的百分比，而FPR是排名低于给定阈值的验证样本的百分比；

S52：通过调整步骤S3中的计算的参数，包括：RBF神经网络的隐藏层中神经元的输出权重、以及参数K，γ，且K和γ设置不同的值，根据预测模型获得的AUC值的大小，优化所述预测模型；

S6：使用预测模型对候选样本的LncRNA‑疾病关联对进行预测。

2.根据权利要求1所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S1，包括以下步骤：

S11：从已知数据库获取LncRNA‑miRNA关联关系数据集，获取LncRNA‑miRNA相互作用对；

S12：从已知数据库获取miRNA‑疾病关联关系数据集，获取miRNA‑疾病相互作用对；

S13：根据LncRNA‑miRNA相互作用对构造LncRNA‑miRNA关联关系的网络；

S14：根据miRNA‑疾病相互作用对构造miRNA‑疾病关联关系的网络；

S15：基于上述构建的LncRNA‑miRNA关联关系的网络和miRNA‑疾病关联关系的网络，构建LncRNA‑miRNA‑疾病相互作用网络。

3.根据权利要求2所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S2，包括以下步骤：

S21：根据LncRNA‑miRNA关联关系的网络和miRNA‑疾病关联关系的网络，构造LncRNA‑miRNA邻接矩阵与miRNA‑疾病邻接矩阵；

S22：基于LncRNA‑miRNA‑疾病相互作用网络，建立疾病的超级表达谱矩阵和LncRNA的超级表达谱矩阵。

4.根据权利要求3所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S3，包括以下步骤：

S31：根据LncRNA的超级表达谱矩阵，采用基于RBF神经网络算法计算LncRNA相似性；

S32：根据疾病的超级表达谱矩阵，采用基于RBF神经网络算法计算疾病相似性；

S33：基于LncRNA相似性、疾病相似性以及LncRNA‑miRNA邻接矩阵与miRNA‑疾病邻接矩阵来计算LncRNA‑疾病关联对的关联程度，得到疾病与LncRNA关联关系的预测模型。

5.根据权利要求4所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S4，包括以下步骤：

S41：将每个已知的LncRNA‑疾病关联对依次作为验证集，所有其他已知的LncRNA‑疾病关联对作为训练样本；将所有没有确定的实验支持的LncRNA‑疾病关联对组成候选样本，使用预测模型测得每个验证集相对于候选样本的排名，如果预测模型对验证集预测的排名高于事先给定的阈值，则判定为一个成功的预测。

6.一种预测疾病与LncRNA关联关系的系统，其特征在于，包括：网络构建单元，用于从已知数据库获取LncRNA‑miRNA关联关系和miRNA‑疾病关联关系，根据二者构建LncRNA‑miRNA‑疾病相互作用网络；

表达谱构建单元，用于基于所述LncRNA‑miRNA‑疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；

模型构建单元，用于根据所述疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算得到LncRNA相似性NSL，以及疾病相似性NSD，训练疾病与LncRNA关联关系的预测模型；其中，模型构建单元被设置为：对于任意给定的LncRNA节点li∈L和疾病节点dj∈D，li和dj之间的潜在关联概率可以根据以下公式(10)获得：

参数K是大于1的整数，参数γ满足0＜γ＜1；其中，融合矩阵NAAM：T

其中LMD＝LM×MD是|L|×|D|维矩阵；LMD是LMD的转置；|L|表示L中的LncRNA的数目；|D|表示D中的疾病数目；

还用于使用已知的LncRNA‑疾病关联对作为验证集对预测模型进行验证；

还用于根据验证的结果调整预测模型的参数，优化所述预测模型，还用于通过调整阈值，绘制TPR和FPR的不同阈值的ROC曲线，计算ROC曲线的AUC；其中，TPR是预测验证样本的排名高于给定阈值的百分比，而FPR是排名低于给定阈值的验证样本的百分比；

还用于通过调整步骤S3中的计算的参数，包括：RBF神经网络的隐藏层中神经元的输出权重、以及参数K，γ，且K和γ设置不同的值，根据预测模型获得的AUC值的大小，优化所述预测模型；

预测单元，用于使用预测模型对候选样本的LncRNA‑疾病关联对进行预测。

7.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一所述方法的步骤。