长非编码RNA（lncRNA）,本质上是指长度超过200nt的核糖核酸分子,它参与到许多的生物学进程中。目前已有的lncRNA相关病理和关键功能实验证实,lncRNA的失调和突变能够引发人类诸多重大生理疾病。因此,开发设计出一种有效的计算方法来预测lncRNA与疾病之间的相关性,能够为生物实验提供符合实际的lncRNA-疾病关联信息,提高生物实验的效率。目前基于计算模型的lncRNA-疾病关联预测方法面临着已知lncRNA-疾病关联数据缺乏的挑战,且它们难以集成差异化的多种数据源,使预测工作往往忽略了不同数据源之间的潜在关联和噪声,因此容易出现特征向量维度爆炸、模型训练过拟合或欠拟合等问题。针对以上问题,本文基于生成对抗网络（GAN）的半监督学习能力,提出一种新的基于GAN的lncRNA-疾病关联预测模型hLDA-GAN。hLDA-GAN主要优势有如下:1.hLDA-GAN生成器的更新信息来自判别器,而不是直接来自输入数据,这使得生成器在判别器的指导下,能够专注于学习lncRNA-疾病的真实关联,避免受到关联数据中噪声的影响。在极大极小化的对抗训练中,生成器学习到的lncRNA-疾病关联分布可以被不断地纯化。因此,hLDA-GAN通过结合标记和未标记的数据来学习数据的真实分布,可有效克服已知lncRNA-疾病关联数据缺乏的问题。2.hLDA-GAN模型可融合多源数据信息。本模型通过提取lncRNA-疾病、lncRNA-mi RNA、lncRNA-基因、疾病-mi RNA、疾病-基因以及mi RNA-基因之间的关联信息构建异构信息网络,利用注意力机制聚合不同元路径的相似性矩阵得到综合的lncRNA对疾病的偏好向量,同时使用k-mer方法提取lncRNA的序列特征,提高了模型预测的准确性。3.在模型评估实验中,本文模型与LDAP、SIMCLDA和MFLDA模型相比有更好的性能,其AUC值分别提高5.6%、16.6%、19.8%。另外,为了进一步验证实验框架的预测性能,本文选取三种lncRNA,分别为SNHG7、CCAT2和CYTOR进行案例分析,结果表明hLDA-GAN预测结果较好。综上所述,hLDA-GAN将生成器和判别器集成在一起,建立可靠的优化目标,降低数据噪声对模型的影响,使模型在对抗学习过程中实现了高稳定性和高效率。同时hLDA-GAN融合多源数据信息,并充分发挥了非标记数据生成对抗学习框架的半监督学习优势,可以根据已有信息为特定的lncRNA生成疾病偏好向量,并进一步为其推荐一个疾病关联列表,在真实数据集上开展的全面实验,证实了本文所提出方法的有效性。