1.一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，在步驟s1中，使用m×n的關聯網絡來表示lncrna-disease的關聯信息，其中，m表示lncrna的數量，n表示disease的數量；
3.根據權利要求2所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，lncrna序列相似性lsseq的計算過程中，使用smith-waterman序列比對算法來評估lncrna之間的序列相似性；計算序列相似性的公式如下：
4.根據權利要求3所述的基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，lncrna功能相似性lsfunc的計算過程中，采用公式表示為：
5.根據權利要求4所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，lncrna高斯相互作用譜核相似性lsgipk的計算過程中，lncrna之間的gipk核相似性計算公式如下：
6.根據權利要求5所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，疾病語義相似性dssem的計算過程中，使用疾病本體do來衡量相關疾病之間的語義相似性，表示為有向無環圖，通過利用do中疾病的層次結構，基于有向無環圖計算語義相似性，計算公式表示為：
7.根據權利要求6所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，疾病高斯相互作用譜核相似性dsgipk的計算過程中，計算公式表示為：
8.根據權利要求7所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，在步驟s2中，transformer特征提取器包括三層編碼層，在其中一個編碼層的第h個注意頭中，包含三個線性變換矩陣：query矩陣、key矩陣和value矩陣，具體的線性變換為：
9.根據權利要求8所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，在步驟s3中，graphsage特征提取器包括三層graphsage計算層組成，通過鄰居采樣和聚合機制實現特征提取；其中，對于每個lncrna和疾病節點，隨機采樣其鄰居節點集合，并計算其特征的均值，表示為：
10.根據權利要求9所述的一種基于kan網絡的lncrna-疾病關聯預測方法，其特征在于，在融合全局序列化特征和拓撲結構特征得到綜合的lncrna-disease關聯對特征信息的步驟中，其融合方式表示為：