1.一种基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，包括以下步骤：

S1：计算lncRNA相似矩阵LS和疾病相似矩阵DS的高阶接近矩阵；

S2：获取疾病‑lncRNA邻接矩阵DL，所述疾病‑lncRNA邻接矩阵用于描述lncRNA‑疾病关联关系；

S3：构建一个异构性的疾病‑lncRNA关联矩阵，所述疾病‑lncRNA关联矩阵整合了疾病‑lncRNA邻接矩阵DL、lncRNA相似矩阵LS的高阶接近矩阵和疾病相似矩阵DS的高阶接近矩阵；

S4：采用矩阵补全法，在所述疾病‑lncRNA关联矩阵中预测lncRNA‑疾病的关联。

2.根据权利要求1所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S1中lncRNA相似矩阵LS，具体为：从ArrayExpress下载lncRNA表达谱，通过RNA‑Seq技术生成；在前期研究的基础上，通过计算每个lncRNA对表达谱之间的spearman相关系数来表示lncRNA的表达相似性，用矩阵LS(li,lj)来描述lncRNA li和lncRNA lj的表达相似性，相似性在0到1之间；lncRNA li与lncRNA lj的表达相似性越高，分值越高。

3.根据权利要求1所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S1中疾病相似矩阵DS，具体为：从美国国家医学图书馆MeSH下载网格描述后，引入一个基于有向无环图DAG的模型来描述疾病之间的语义相似性，有向无环图(DAG)可用来描述疾病d，即DAG(d)＝(d,T(d)，E(d))，其中T(d)为节点集，E(d)为边集，对于给定特定疾病d，其祖先节点q在DAG(d)中的贡献值定义如下具体为：

结合其祖先节点在DAG(d)中的贡献值，可以将疾病d的语义值描述为：如果两种疾病在DAG中有更多的共享节点，则可以认为两种疾病之间的语义相似性更高，使用语义相似矩阵DS(di,dj)来表示疾病di和疾病dj之间的语义相似度，定义为：

4.根据权利要求3所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S1中计算疾病相似矩阵DS的高阶接近矩阵，具体为：在疾病相似矩阵DS的基础上构造q阶接近矩阵HD，以保持疾病语义相似矩阵的不同顺序邻近信息如下：

n

其中DS是DS的n阶接近度，y是权重参数且y≥0；

采用奇异值分解技术来提高数据质量：T

HD＝UΣV

nd×nd nd×nd nd×nd其中U∈R 是左奇异向量矩阵，Σ∈R 是奇异值降序对角矩阵，V∈R 是一个右奇异向量矩阵；

然后通过保持k个最大奇异值来重建高阶邻近矩阵HD：其中Σk为k个奇异值矩阵，Uk和Vk是top‑k奇异值分别对应左、右奇异向量矩阵。

5.根据权利要求4所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，所述lncRNA相似矩阵LS的高阶接近矩阵HL的计算方法与疾病相似矩阵DS的高阶接近矩阵HD的计算方法相同。

6.根据权利要求5所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S2中获取疾病‑lncRNA邻接矩阵DL，具体为：从LncRNADisease数据库下载lncRNA‑疾病联系数据集，删除其中重复的lncRNA、疾病nd×nl

和非人类数据，用疾病‑lncRNA邻接矩阵DL∈R ，其中nd和nl分别是疾病的数量和lncRNA的数量，疾病‑lncRNA邻接矩阵DL定义如下：

7.根据权利要求6所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S3中构建一个异构性的疾病‑lncRNA关联矩阵，具体定义为：

8.根据权利要求7所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S4中矩阵补全法用于将疾病‑lncRNA关联矩阵T中DL值为0的元素。

9.根据权利要求8所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S4中采用矩阵补全法，预测lncRNA‑疾病的关联，具体为：m×n m×n m×n

设Ω为观测项X∈R 的指标集，PΩ(X)：R →R 是一个线性投影运算符：采用低秩矩阵补全算法，通过假设低秩矩阵X来推断缺失值，模型描述如下：s.t 0≤X≤1

其中ω，α是平衡迹范数和核范数的非负参数，使用0≤X≤1的约束来确保恢复的矩阵元素的值在0到1之间。

10.根据权利要求9所述的基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，其特征在于，步骤S4中使用交替方向的乘数法来转换模型进入待优化问题，引入变量矩阵Y，该模型可以优化为：

s.t X＝Y,0≤Y≤1

相应地，对应于该方程的增广拉格朗日函数为：其中Z是标准迹内积，β>0是自适应罚参数，在第k次迭代中，要求交替更新Yk+1、Xk+1和Zk+1；

计算Yk+1：我们固定Xk和Zk，最小化Yk的 把 表示为PΩ的伴随算子，Yk+1更新如下：

计算Xk+1：我们固定Yk和Zk去计算Xk+1；

基于奇异值阈值算法，Xk+1表示如下:其中Sτ(.)是定义为 的奇异值软阈值算子，其中τ是收缩阈值，σd是矩阵R的第d个奇异值，而ud和vd分别是对应的左右奇异向量；

计算Zk+1：最后，Zk+1计算如下：Zk+1＝Zk+γβ(Xk+1‑Yk+1)其中γ是非负学习率。