越来越多的研究和实验表明,长非编码RNA（lnc RNA）在人类各种生物过程的发生、发展中起着关键作用,并与多种复杂疾病存在联系。挖掘lnc RNA与疾病之间的潜在关联,探索lnc RNA在疾病发展过程中扮演的“角色”,对于疾病致病机理在分子水平上的理解和疾病的预防、诊断、临床治疗具有重大意义。近年来,基于机器学习算法的lnc RNA-疾病预测模型被提出。此类模型通常利用已知的lnc RNA生物学特性和疾病信息训练监督或半监督分类器来预测潜在关联关系。但是其中某些方法在计算时需要高质量的负样本数据,在现实情况中,负样本数据难以获得。另外,基于生物网络的预测模型也常被应用在lnc RNA-疾病的关联预测上。此类方法致力于挖掘网络中潜在的有用连接,因此对生物数据的完整性和有效性有高要求。目前,生物网络方法中基于数据融合的预测模型普遍取得优越的性能,但将lnc RNA或疾病的多源数据整合为同质数据的过程中,存在信息丢失和忽略不同类型数据源的权重比例等问题,这些问题可能会对最后的预测结果产生直接影响。针对上述存在的不足,本文在基于生物网络方法下提出一种名为基于随机游走的多相似性融合和双向标签传播的lnc RNA-疾病关联预测模型（RWSF-BLP）。模型中,在已知的多种lnc RNA和疾病数据集基础上,利用基于随机游走的多相似性融合算法整合多种lnc RNA和疾病相似性,构建高质量的生物信息矩阵。然后,利用上一步获得的整合相似性实施了双向标签传播算法来预测潜在的lnc RNA-疾病关联关系。结果表明,本模型在留一交叉验证和五折交叉验证框架下的AUC值分别为0.9086和0.9115±0.0044,与另外四种先进且有效的lnc RNA-疾病预测模型相比,RWSF-BLP在预测精度上取得显著提升。本文还进一步针对白血病、肺癌和结直肠癌进行案例分析,其中排名前20位的lnc RNA大多数都在都在最新的相关数据库和文献中得到验证。因此,我们可以得出结论,RWSF-BLP有着优越的预测性能,可以作为lnc RNA-疾病潜在关联预测的有力工具。