1.基于网络表示学习的计算疾病相似度系统，其特征在于所述系统包括：DisGeNet数据集、GeneOntlogy数据集、HumanNet网络、信息融合模块、网络嵌入模块、疾病相似度计算模块；

所述DisGeNet数据集用于存储基因和疾病之间的关系；

所述GeneOntlogy数据集用于存储Go_term之间的关系以及Go_term和基因之间的关系；

所述HumanNet网络用于存储基因之间的关系；

所述信息融合模块，用于将基因相似度矩阵进行拉普拉斯平滑得到矩阵R，利用矩阵R计算两个Go_term注释的基因集之间相似度，利用Go_term注释的基因集之间相似度计算两个Go_term之间的相似度，利用两个Go_term之间的相似度获得基因之间的相似度，其具体过程为：

步骤二一、将HumanNet网络中的基因相似度矩阵进行拉普拉斯平滑：其中

其中，R为拉普拉斯平滑后的相似度矩阵，lambda是拉普拉斯平滑的参数，sum是HumanNet中所有基因对相似性的总和，N是基因的数量，b是用于将值规格化为(0,1)区间的值的扩展因子，s[i][j]是i,j的相似度矩阵，gi和gj表示疾病基因；

步骤二二、计算两个Go_term之间的相似度，其具体过程为：步骤二二一、结合来自HumanNet和GO_term的信息计算两个GO_term注释的基因集之间的相似度：

D(t1,t2)是两个Go_term注释的基因集之间的相似度，t1、t2是两个GO_term，G1、G2是t1、t2对应的基因集，dij＝1‑R[i][j]是两个基因之间的距离，|g1∪G2|是与t1、t2两个GO_term相关的两个基因的集合G1、G2并集的基因数；

步骤二二二、计算两个Go‑term之间的相似度：其中，

2 2

h(t1,t2)＝D(t1,t2) *|G|+(1‑D(t1,t2))*max(|G1|,|G2|)其中，p是距离t1、t2最近的公共父节点，Gp是p和t1、t2子节点注释的基因集，G是根节点和t1、t2子节点注释的基因集，f′(t1,t2,p)是t1、t2、p基于路径的相似度，h(t1,t2)是t1、t2基于公共父节点的相似度， 是t1注释的基因集、t2注释的基因集、t1和t2的共同亲本p注释的基因集三个基因集并集的基因数目；

步骤二三、计算基因之间的相似度：根据步骤二二获得的Go_term之间的相似度，获得基因之间的相似度：其中，

其中，S(·,)表示两个Go‑term之间的相似度，y表示i或j，t1、t2是两个GO_term；

基于z‑score和给定的GO_term，可以从Tj获得两个集合：如果|T′th|>|T′tl|，那么T′j＝T′th，否则T′j＝T′tl；

其中 是相似性标准分数，Ti和Tj分别是gi和gj注释的术语集，|Ti|+|Tj|是Ti和Tj中基因数的和，T′j是Tj中部分Go_term的集合，T′i是Ti中部分Go_term语句的集合，所述的注释的术语集是与基因相关的Go_term的集合；

所述网络嵌入模块，基于基因之间的相似度将每个基因转化为向量形式，其具体过程为：

步骤三一、对于每条有向边(i，j)从基因vi到基因vj之间的联合概率为：其中 为基因vi的作为起始节点时的向量表示， 为基因vj作为终止节点时的向量表示，T表示向量的转置，其中V是网络中顶点的总数；

步骤三二、在网络结构中vi、vj的经验值定义为：其中，wij表示GenSim(gi,gj)，d′i是vi所有出度的和；

步骤三三、调整基因的向量表示使p2、 之间的差异最小化，即使目标函数最小化，其中λi为i的权重，d1(·)表示 和p2的相对熵；

所述疾病相似度计算模块，基于基因的向量表示和疾病相关基因数据集DisGeNET将疾病相关基因融合，得到疾病的向量表示，利用疾病向量表示度量疾病的相似性；

所述Go_term为基因本体的数据集；

所述Go_term注释的基因集是与Go_term相关基因集的集合。

2.根据权利要求1所述的基于网络表示学习的计算疾病相似度系统，其特征在于：还包括基因与疾病预测模块：

所述基因与疾病预测模块，实现基于基因的向量表示，结合MLP模型，对基因与疾病之间的关系进行预测的功能；

基于信息融合模块、网络嵌入模块的计算获得基因的向量表示，基因与疾病预测模块将基因的向量表示结合MLP模型，通过训练可选择与任一疾病匹配，输出基因与疾病的相关概率。

3.根据权利要求2所述的基于网络表示学习的计算疾病相似度系统，其特征在于：步骤二三中

4.根据权利要求3所述的基于网络表示学习的计算疾病相似度系统，其特征在于：步骤三三中d1(·)使用KL散度计算。

5.根据权利要求4所述的基于网络表示学习的计算疾病相似度系统，其特征在于：所述疾病相似度计算模块，基于基因的向量表示和疾病相关基因数据集DisGeNET将疾病相关基因融合，采用average pooling的方法得到疾病的向量表示，用两个疾病向量的余弦相似度表示两个疾病的相似度。

6.根据权利要求5所述的基于网络表示学习的计算疾病相似度系统，其特征在于：所述基因与疾病预测模块，实现基于基因的向量表示，结合MLP模型，对基因与疾病之间的关系进行预测的功能具体过程为：

本系统使用了四层的MLP感知器，并使用梯度下降的方法更新参数；

其中，四层感知器为：输入层+隐含层+隐含层+输出层，四个层次整合为：f(x)＝softmax(b2+W2(sigmoid(W1X+b1)))其中，W1是权重，b1是偏置，sigmoid(W1X+b1)是第一层隐含层的输出，softmax(W2X1+b2)是输出层的输出，f为softmax函数，输入为基因的向量表示，输出为与基因相关疾病的概率。