针对现有长链非编码RNA （lncRNA）-疾病关联预测模型在综合利用异构生物网络的交互、语义信息上存在局限性的问题，提出一种基于语义与全局双重注意力机制的lncRNA-疾病关联预测模型（SGALDA）。首先，基于相似性和已知关联构建一个lncRNA-疾病-微小RNA（miRNA）异构网络，并基于消息传递类型设计特征提取模块来提取和融合异构网络上同质、异质节点的邻域特征，以捕捉异构网络上的多层面交互关系。其次，基于元路径将异构网络分解为多个语义子网络，并分别在各个子网络上应用图卷积网络（GCN）来提取节点的语义特征，以捕捉异构网络上的高阶交互关系。然后，基于语义与全局双重注意力机制融合节点的语义和邻域特征，以获得更具代表性的节点特征。最后，利用lncRNA节点特征和疾病节点特征的内积运算重建lncRNA-疾病关联。5折交叉验证结果显示，SGALDA的受试者工作特征曲线下面积（AUROC）为0.994 5±0.000 2，PR曲线下面积（AUPR）为0.916 7±0.001 1，在所有对比模型中均为最高，验证了SGALDA良好的预测性能。对乳腺癌、胃癌的案例研究进一步证实了SGALDA识别潜在lncRNA-疾病关联的能力，说明SGALDA有潜力成为一种可靠的lncRNA-疾病关联预测模型。

大部分现有的用于预测环状RNA（circRNA）与疾病之间关联关系的计算模型通常使用circRNA和疾病相关数据等生物学知识，配合已知的circRNA-疾病关联信息对来挖掘出潜在的关联信息。然而这些模型受已知关联构成的网络稀疏性、负样本过少等固有问题的影响，导致预测性能不佳。因此，在图自动编码器基础上引入归纳式矩阵补全及自注意力机制进行二阶段融合，以实现circRNA-疾病关联预测，由此构建的模型叫GIS-CDA （Graph auto-encoder combining Inductive matrix complementation and Self-attention mechanism for predicting CircRNA-Disease Association）。首先，计算circRNA集成和疾病集成的相似性，并利用图自动编码器学习circRNA和疾病的潜在特征，以获得低维表征；接着，将学习到的特征输入归纳式矩阵补全，以提高节点之间的相似性和依赖性；然后，将circRNA特征矩阵和疾病特征矩阵整合为circRNA-疾病特征矩阵，以增强预测的稳定性和精确性；最后，引入自注意力机制，从特征矩阵中提取重要特征，并减少对其他生物信息的依赖。五折交叉和十折交叉验证的结果显示：GIS-CDA获得的平均接收者操作特征曲线下面积（AUROC）值分别为0.930 3和0.939 3，前者比基于KATZ测度的人类circRNA-疾病关联预测模型（KATZHCDA）、基于深度矩阵分解方法的circRNA-疾病关联（DMFCDA）预测模型、RWR（Random Walk with Restart）和基于加速归纳式矩阵补全的circRNA-疾病关联（SIMCCDA）预测模型分别高出了13.19、35.73、13.28和5.01个百分点；GIS-CDA的精确率-召回率曲线下面积（AUPR）值分别为0.227 1和0.234 0，前者比上述对比模型分别高出了21.72、22.43、21.96和13.86个百分点。此外，在circRNADisease、circ2Disease和circR2Disease数据集上的消融实验和案例研究进一步验证了GIS-CDA在预测circRNA-疾病的潜在关联方面具有较好的性能。