1.一种LncRNA和环境因素关联关系的高效预测方法，其特征在于，包括以下步骤： 步骤1：从公开数据库DLREFD(网址：http://chengroup.cumt.edu.cn/DLREFD/)下载LncRNA-环境因素关联关系数据集，进行去重等处理，得到LncRNA的列表和环境因素的列表，并且得到LncRNA-环境因素关联关系的关联矩阵A；然后分别计算出LncRNA的高斯相互作用属性核相似矩阵KL和环境因素的高斯相互作用属性核相似矩阵KE。 步骤2：利用公开的SimComp工具(网址：Similar Compound,https://www.genome.jp/tools/simcomp/)计算环境因素之间的化学结构相似性矩阵E。 步骤3：将KL进行逻辑斯蒂(logistic)函数转换，得到LncRNA相似矩阵SL；利用环境因素之间的化学结构相似性矩阵E、环境因素的高斯相互作用属性核相似矩阵KE，构建环境因素的相似矩阵SE。 步骤4：融合LncRNA-环境因素关联关系网络的关联矩阵A、LncRNA的相似矩阵SL和环境因素的相似矩阵SE三个子网，构建一个全局异构网络；在异构网络上，利用重启随机游走算法得到扩散特征。使用奇异值分解(SVD)对扩散特征进行降维。 步骤5：计算异构网络上lncRNA-环境因素对的Hetesim得分。 步骤6：结合扩散特征和HeteSim得分得到特征数据集，将得到的特征数据用于训练梯度提升树(GBDT)分类器，该分类器用于预测LncRNA-环境因素的关联关系。 步骤7：使用10折交叉验证进行验证。 2.根据权利要求1所述的LncRNA和环境因素关联关系的高效预测方法，其特征在于，步骤1中LncRNA-环境因素关联关系网络的关联矩阵A，LncRNA的高斯相互作用属性核相似矩阵KL和环境因素的高斯相互作用属性核相似矩阵KE的步骤如下： 利用公开数据库DLREFD下载的已知的LncRNA-环境因素关联关系，构建LncRNA-环境因素关联的关联矩阵A，如果LncRNA-环境因素存在关联，则A中对应元素为1，反之为0。构建LncRNA的高斯相互作用属性核相似矩阵KL,计算每个LncRNA对,即LncRNA li和LncRNA lj之间的高斯相互作用属性核相似性；同样地,基于功能相似的LncRNA与相似的环境因素之间具有关联关系的假设,利用已知的LncRNA-环境因素关联关系网络,构建环境因素的高斯相互作用属性核相似矩阵KE。 3.根据权利要求1所述的LncRNA和环境因素关联关系的高效预测方法，其特征在于，步骤2中利用公开的SimComp工具计算环境因素之间的化学结构相似性矩阵E。以数据库DLREFD中的环境因素对应的KEGG数据库入口编号作为参数，使用SimComp工具计算这些环境因素之间的化学结构相似分数。通过调用SimComp的API计算每一对环境因素ei和环境因素ej的化学结构相似分数E(ei,ej)。 4.根据权利要求1所述的LncRNA和环境因素关联关系的高效预测方法，其特征在于，步骤3中将KL进行逻辑斯蒂(logistic)函数转换，得到的LncRNA相似矩阵SL；利用环境因素之间的化学结构相似性矩阵E、环境因素的高斯相互作用属性核相似矩阵KE，构建环境因素的相似矩阵SE。 5.根据权利要求1所述的LncRNA和环境因素关联关系的高效预测方法，其特征在于，步骤4中融合LncRNA-环境因素关联关系网络的关联矩阵A、LncRNA的相似矩阵SL和环境因素的相似矩阵SE三个子网，构建一个全局异构网络；在异构网络上，利用重启随机游走算法计算扩散分数，得到高维扩散特征，再使用奇异值分解(SVD)进行降维得到d维的低维扩散特征。具体步骤为：第一步:构建游走网络。第二步:在新建的游走网络上实现随机游走，获得稳定的随机游走概率，得到扩散特征。第三步：使用奇异值分解(SVD)对扩散特征进行降维。 6.根据权利要求1所述的LncRNA和环境因素关联关系的高效预测方法，其特征在于，步骤5中计算Hetesim得分，HeteSim评分是用来估计一对节点的相关性的一种度量.HeteSim评分可以方便地推广到计算异构网络中节点的相关性。我们计算了从lncRNA到环境因素的路径。在长度小于m的约束下，从lncRNA到环境因素共有t条不同的路径。因此，我们得到了t维HeteSim得分。 7.根据权利要求1所述的LncRNA和环境因素关联关系的高效预测方法，其特征在于，步骤6中结合d维扩散特征和HeteSim得分(t维)得到d+t维的特征数据集，将得到的特征数据用于训练梯度提升树(GBDT)分类器，该分类器用于预测LncRNA-环境因素的关联关系。 8.根据权利要求1所述的LncRNA和环境因素关联关系的高效预测方法，其特征在于，步骤7中使用10折交叉验证进行验证。训练集随机分为10组大小大致相同的子集。每个子集依次用作验证测试数据，其余9个子集用作训练数据。交叉验证过程重复10次，并使用10次的平均性能度量进行性能评估。我们使用多种指标来评估性能，包括召回(REC)、F-score(FSC)、准确度(ACC)和ROC曲线下与坐标轴围成的面积(AUC)。
