随着生物信息学的发展,具有共价闭环结构的circ RNAs已经被证实在各种生物过程中扮演着重要的角色。Circ RNAs参与有机过程,其紊乱和突变可导致疾病的发展。因此,预测与疾病相关的circ RNAs可以促进生物标志物的鉴别和疾病的预防和治疗。然而,circ RNA在疾病发病和进展中的功能和分子机制尚不清楚。关于circ RNA-疾病关联的研究主要依赖生物实验,而生物实验是耗时且昂贵的。因此,迫切需要一种计算方法来推断潜在的circ RNA-疾病关联。近几年以来,一些将矩阵分解方法与深度矩阵分解相结合的方法已经被提出。但相当数量的相关生物数据没有得到充分的利用,其改进的空间仍然很大。为了充分利用相关生物数据,以及深度矩阵分解算法的应用在预测潜在的circ RNA-疾病关联上得到更好的表现,本文提出了一种基于多源融合深度矩阵分解方法来预测潜在的circ RNA-疾病关联（DMFMSF）。DMFMSF首先选择了几个有用的circ RNA和疾病的相似性信息,然后通过相似性核融合（SKF）进行整合。此外,通过加权K近邻（WKNKN）来消除缺失的未知关联对该方法的影响。最后,通过使用奇异值分解（SVD）和深度矩阵分解来挖掘线性和非线性特征,推断潜在的circ RNA-疾病关联。在两个基准数据集上,DMFMSF的性能通过留一验证法（LOOCV）和五折交叉验证法（5折CV）进行了严格的评估。对于LOOCV,DMFMSF对这两个基准数据集的AUC值分别为0.945和0.938。对于5折CV,DMFMSF对这两个基准数据集的AUC值分别为0.920±0.001和0.912±0.002。实验结果表明,DMFMSF优于现有的几种计算方法。此外,五种重要的疾病,即肝癌、乳腺癌、急性骨髓性白血病、结直肠癌和冠状动脉疾病被应用于案例分析。结果表明,DMFMSF可以作为预测circ RNA-疾病关联的准确而有效的计算工具。注意力机制的优势是可以在深层框架内被用来确定重要因素而忽略不可用因素,使用注意力机制替代深度矩阵分解方法对DMFMSF模型进行进一步优化,从而得到新模型DMFMSF-X。通过LOOCV和5折CV来评估模型性能。对于LOOCV,DMFMSF-X对这两个基准数据集的AUC值分别为0.949和0.941。对于5折CV,DMFMSF-X对这两个基准数据集的AUC值分别为0.923±0.001和0.915±0.001。结果表明,改进模型DMFMSF-X的性能优于比DMFMSF。此外,DMFMSF-X的案例分析表明,该方法在预测宫颈癌、肺癌和胶质瘤相关的circRNAs方面是有效的。