长非编码RNA(lncRNA)在很长的一段时间内都被科学家认为是细胞遗传过程中的翻译杂质,然而,近年来的研究表明它在许多疾病的发生过程中都起到了重要作用。研究人员希望通过分析lncRNA与疾病的关系来揭示疾病的发生和发展,并制定相关的有效治疗方法。传统生物学实验方法验证lncRNA与疾病之间关系非常耗时且昂贵。因此需要有效的方法寻找出潜在的lncRNA与疾病的关系,以便更明确的进行相关的生物实验。事实上,为了改善这个情况,许多的生物信息学家创建了预测lncRNA与疾病的关联关系模型。这些模型可以有效的预测出与疾病潜在的最相关的某几种lncRNA,便于生物实验学家更专注的研究这几种lncRNA与疾病的关联。这些模型的预测能力已经取得不错的效果,但是随着对lncRNA和疾病的深入研究,越来越多的相关信息数据能加入到预测模型的创建中,以此提高模型的精准度。在本文应用局部约束线性编码(LLC)和标签传播(LP)方法创建了一种叫LLCLPLDA的lncRNA与疾病预测模型。本文主要的研究内容包含以下几点:(1)从相关数据库中下载并构建模型所需要的数据,包括已知的lncRNA与疾病的关联关系,lncRNA的表达相似性和疾病语义相似性。(2)利用局部约束线性编码方法将lncRNA和疾病的特征投影为局部约束特征,从而构建特征lncRNA和疾病的相似性矩阵。再使用标签传播策略混合初始关联矩阵和获得的特征lncRNA和疾病的相似性矩阵,最后得出潜在的lncRNA与疾病的关联得分矩阵。局部约束线性编码方法能够比较好的保留原始信息,标签传播方法能够平衡原始信息和补充信息。(3)为了验证模型的有效性,在全局留一交叉验证和五折交叉验证框架下与五种先进的方法进行对比,结果表明所提出的模型性能最好。此外,还对宫颈癌,神经胶质瘤和乳腺癌三种疾病进行了案例探究,模型预测出的潜在lncRNA绝大多数都已经被证明存在关联关系。(4)针对标签传播无法很好的应用到新的lncRNA与疾病关联数据的缺点,加入了加权的K近邻方法。该方法能够对原始矩阵进行补充,使得模型能够预测新的相关数据。