长非编码RNAs（lncRNAs）的异常表达通常与人类各种疾病相关,因此预测与疾病相关的lncRNAs有益于阐明复杂的疾病发病机理,为疾病的诊断和预防提供依据。然而,利用生物学实验筛选疾病的候选lncRNAs存在实验环境要求高和时间成本高等诸多不利因素。计算机科学技术与生物信息学相结合的方式来预测lncRNA-疾病关联可以降低实验成本。因此,研究lncRNA与疾病之间的关联关系是一个有意义的课题,存在着极高的应用潜力。在lncRNA和疾病相关的多源数据中,为关联预测任务提取出丰富的语义信息是一项关键但具有挑战性的任务。对lncRNA-疾病对的多级节点对属性和节点邻居拓扑关系进行建模时同样存在着挑战。为了应对这些挑战,本文从一对lncRNA-疾病节点对属性层面、节点邻居拓扑层面、属性和拓扑注意力机制三个角度分别建立了关联预测方法。本文基于深度学习方法展开lncRNA与疾病关联预测研究任务,主要的工作和贡献体现在下述的三个方面:第一,针对于节点之间的多种连接关系的研究,本课题基于深层和浅层卷积神经网络构建了lncRNA-疾病关联预测模型DSCNLDP。结合一个lncRNA-疾病对与各个lncRNA、疾病和miRNA存在关联、相似或者互作关系的多个生物学前提,本文提出一个新颖的、节点对层面的属性嵌入机制,在多源数据中建立节点对的属性矩阵。融合节点对浅层细节特征和深层有代表性特征的多层卷积神经网络来编码lncRNA-疾病节点对的属性表示。最后,融合后的属性表示被送入全连接神经网络以揭示lncRNA与疾病之间的关联关系。为了探讨深层有代表性的属性和浅层细节属性对关联预测的贡献,本文进行了消融实验。此外,本课题设计实验讨论模型的超参数,选择出一组最好的实验参数。DSCNLDP应用在公开的数据集之上,经多个评估指标和在肺癌、前列腺癌和结直肠癌上的案例研究表明本文提出的方法取得了不错的效果。第二,针对于lncRNA和疾病节点邻居拓扑的研究,本课题基于图注意力网络构建lncRNA-疾病关联预测模型GATLDP。本课题基于图注意力网络搭建学习框架GATLDP,以表达异构网络的拓扑结构。首先,在lncRNA相似性网络和疾病相似性网络中,从邻居节点层面出发提出新的嵌入机制。依据嵌入机制,本研究得到一个lncRNA（或疾病）节点与其最相似的多个邻居的拓扑特征嵌入。本文所构建的预测模型将节点的拓扑向量投影到低纬空间,获得更稠密的节点表示。邻居节点层面的自注意力机制被建立,目的是学习每个邻居的重要性。本课题将邻居注意力机制扩展到将多头,稳定注意力的学习过程并从多个层面捕获邻居拓扑信息。通过实验,讨论GATLDP取得模型最好性能时,超参数的最优配置。实验结果表明,GATLDP模型在AUC和AUPR两个方面均取得较好的表现。在三个常见癌症上的案例研究进一步证明了GATLDP的预测性能。第三,针对于节点属性和邻居拓扑对关联预测的研究,本课题建立了带双注意力机制的预测模型GTAN,以推断lncRNA与疾病节点之间的关联倾向。注意力机制在神经网络的学习过程中突出对任务重要的信息,对于关联预测是有效的。首先,带属性注意力机制的编码模块被用来学习节点对的属性表示。属性注意力可以有效的区分该节点对相关的各个属性的差异贡献。带拓扑注意力机制的拓扑编码模块分别学习lncRNA节点和疾病节点的邻居拓扑表示。拓扑注意力学习了多个局部拓扑表示之间相互依赖的上下文信息。两个编码模块分别学习,得到关联得分,最终用一个超参数来衡量两个模块的贡献。GTAN在AUC和AUPR上优于8个最新的对比方法。此外,GTAN在召回率上的提高表明,模型可以在预测结果排名最高的列表中检索到更多真实的lncRNA-疾病关联。关于肺癌、前列腺癌和结肠癌的案例研究进一步证实了GTAN发现潜在lncRNA-疾病关联的能力。