1.一种基于双关联图互补融合的微生物与疾病的关联预测方法，其特征在于，包括具体步骤如下：S1：获取微生物与疾病的关联信息，构建第一微生物-疾病异构关联图，表示为矩阵B1；获取微生物与药物、药物与疾病的关联信息，构建第二微生物-疾病异构关联图，表示为矩阵B2；

S2：应用图增强特征融合提取模块GEFFE，求得与B1对应的特征矩阵Z1，以及与B2对应的特征矩阵Z2，具体步骤如下：S21：基于蛋白质功能关联，计算对于任意给定的mi和mj之间的功能相似性，构建微生物功能相似性矩阵基于基因互作信息，计算对于任意给定的di和dj之间的功能相似性，构建疾病功能相似性矩阵其中，nm和nd分别表示微生物和疾病的数量；

S22：分别对矩阵ZN1、ZM2、ZD1和ZD2进行拓扑增强的重启随机游走操作TERRW，依次获得第一微生物拓扑属性矩阵第二微生物拓扑属性矩阵第一疾病拓扑属性矩阵和第二疾病拓扑属性矩阵其中TERRW操作的定义如下：其中，表示第i个节点在第l步的游走概率分布；ci是节点i基于其局部拓扑信息计算出的动态调整概率；是扩展转移概率矩阵；∈i是节点i的初始概率向量；

S23：为保留更多原始特征，将微生物和疾病的功能相似性、拓扑属性和邻接关系拼接在一起，构建B1对应的特征矩阵和B2对应的特征矩阵其Z1和Z2定义如下：其中，A1表示微生物-疾病邻接矩阵A1，A2表示微生物-疾病邻接矩阵A2；

S3：利用B1、B2，构建双关联图融合矩阵B，同时基于B、Z1和Z2应用双关联图互补融合模型DAG-CFM更新节点信息，得到B对应的节点协同表示矩阵H，具体步骤如下：S31：基于B1和B2，构建双关联图融合矩阵B；

S32：基于B，应用双关联图互补注意力机制DAG-CA，计算每个节点与同关联图邻居节点间的注意力权重和跨关联图邻居节点间的注意力权重；

S33：结合Z1、Z2以及DAG-CA得到的邻居节点权重进行双关联图信息融合，构建B对应的节点协同表示矩阵H；

S34：模型采用Adam优化器，通过最小化软标签KL散度损失LKL来训练协同表示学习；软标签KL散度损失LKL用于度量目标分布与软标签分配分布之间的差异，定义如下：其中，C为簇的数量；teo是软标签分配概率，表示节点e属于簇o的概率；qeo是目标分布，通过对软标签分配概率的平方归一化得到；

teo计算过程如下：

其中，μo是随机初始化的簇o的中心，对于每一个簇中心初始化为H中的随机节点；||*||表示欧氏距离；

qeo计算过程如下：

S4：利用H，通过MLP对微生物和疾病的关联进行预测，具体步骤如下：S41：利用H，定义每个微生物协同表示向量Hi与每个疾病协同表示向量Hj之间的关联对MDAij，MDAij计算如下：MDAij＝-||Hi-Hj||

其中，Hi-Hj表示微生物和疾病之间的差异，差异越小，代表该微生物-疾病配对存在关联的可能性越高；

S42：利用MDAij，通过MLP判断微生物-疾病的预测关联概率assij；具体的方法如下：assij＝MLP(MDAij)。

2.根据权利要求1所述的一种基于双关联图互补融合的微生物与疾病的关联预测方法，其特征在于，所述S1的具体步骤如下：S11：获取微生物与疾病的关联信息，并收集微生物与药物、药物与疾病之间的关联信息，删除收集到信息中重复的条目和非人类疾病的条目；

S12：基于收集到的已知微生物与疾病的关联信息，构建微生物-疾病邻接矩阵A1；基于收集到的已知微生物与药物、药物与疾病的关联信息，构建微生物-疾病邻接矩阵A2；

S13：基于A1构建微生物综合相似性矩阵ZM1，基于A2构建微生物综合相似性矩阵ZM2；由于ZM1的构造过程与ZM2类似，故采用ZMv,v＝{1,2}来表示ZM1或ZM2，当v＝1时，ZMv表示ZM1；当v＝2时，ZMv表示ZM2；

S14：基于A1构建疾病综合相似性矩阵ZD1，基于A2构建疾病综合相似性矩阵ZD2；由于ZD1的构造过程与ZD2类似，故采用ZDv,v＝{1,2}来表示ZD1或ZD2，当v＝1时，ZDv表示ZD1；当v＝2时，ZDv表示ZD2；

S15：基于矩阵A1、ZM1和ZD1，构建第一微生物-疾病异构关联图，表示为矩阵基于矩阵A2、ZM2和ZD2，构建第二微生物-疾病异构关联图，表示为矩阵具体构建过程如下：

3.根据权利要求2所述的一种基于双关联图互补融合的微生物与疾病的关联预测方法，其特征在于，所述S12的具体步骤如下：S121：基于收集到的已知微生物与疾病的关联信息，设nm和nd分别表示微生物和疾病的数量，得到微生物-疾病邻接矩阵具体的构造方法如下：对于任何给定的微生物mi和疾病dj，如果它们之间有已知关联，则A1(i,j)＝1，否则A1(i,j)＝0；

S122：基于收集到的已知微生物与药物，以及药物与疾病的关联信息，构造微生物-疾病邻接矩阵具体的构造方法如下：对于任何给定的微生物mi，疾病dj，如果存在已知的mi与某种药物rk之间的关联，并且rk与dj之间也有已知关联，则A2(i,j)＝1，否则A2(i,j)＝0。

4.根据权利要求2所述的一种基于双关联图互补融合的微生物与疾病的关联预测方法，其特征在于，所述S13中ZMv的构造过程如下：S131：基于A1构建微生物GIP核相似性矩阵GM1，基于A2构建微生物GIP核相似性矩阵GM2；由于GM1的构造过程与GM2类似，故采用GMv,v＝{1,2}来表示GM1或GM2，当v＝1时，GMv表示GM1；当v＝2时，GMv表示GM2；利用高斯核相互作用谱构建微生物GIP核相似性矩阵GMv，具体的计算公式如下：其中，λ1表示归一化的内核带宽；||||F表示弗罗贝尼乌斯范数；在下述中，为便于描述通用的计算过程，使用Av,v＝{1,2}表示A1或A2，即当v＝1时，Av表示A1；当v＝2时，Av表示A2；IPv(mi)和IPv(mj)分别为基于Av构建的微生物mi和微生物mj的二进制向量，分别记录mi和mj与所有疾病之间的相互作用关系；

S132：基于A1构建微生物余弦相似性矩阵CM1，基于A2构建微生物余弦相似性矩阵CM2；由于CM1的构造过程与CM2类似，故采用CMv,v＝{1,2}来表示CM1和CM2，当v＝1时，CMv表示CM1；当v＝2时，CMv表示CM2；利用mi和mj之间的余弦相似性构建微生物余弦相似性矩阵CMv，具体的计算公式如下：其中，Av(i,:)表示在Av中节点i与疾病的关联向量；Av(j,:)表示在Av中节点j与疾病的关联向量；

S133：基于GMv和CMv，进行微生物综合相似性计算，得到微生物综合相似性矩阵ZM1和ZM2；mi和mj之间的综合相似性计算公式如下：

5.根据权利要求2所述的一种基于双关联图互补融合的微生物与疾病的关联预测方法，其特征在于，所述S14中ZDv的构造过程如下：S141：基于A1构建疾病GIP核相似性矩阵GD1，基于A2构建疾病GIP核相似性矩阵GD2；由于GD1的构造过程与GD2类似，故采用GDv,v＝{1,2}来表示GD1或GD2，当v＝1时，GDv表示GD1；当v＝2时，GDv表示GD2；利用高斯核相互作用谱GIP构建疾病GIP核相似性矩阵GDv，具体的计算公式如下：其中，λ2为归一化核带宽；IPv(di)和IPv(dj)分别为基于Av构建的疾病di和疾病dj的二进制向量，分别表示di和dj与所有微生物之间的相互作用；

S142：基于A1构建疾病余弦相似性矩阵CD1，基于A2构建疾病余弦相似性矩阵CD2；由于CD1的构造过程与CD2类似，故采用CDv,v＝{1,2}来表示CD1和CD2，当v＝1时，CDv表示CD1；当v＝2时，CDv表示CD2；利用di和dj之间的余弦相似性构建疾病余弦相似性矩阵CDv，具体的计算公式如下：其中，Av(:,i)表示在Av中节点i与微生物的关联向量；Av(j,:)表示在Av中节点j与微生物的关联向量；S143：基于GDv和CDv进行疾病综合相似性计算，得到疾病综合相似性矩阵ZD1和ZD2；di和dj之间的综合相似性计算公式如下：

6.根据权利要求1所述的一种基于双关联图互补融合的微生物与疾病的关联预测方法，其特征在于，所述S22中由于MM2、DD1和DD2的构造过程与MM1类似，其MM1的构建过程如下：S221：设置节点i的初始概率向量∈i，具体的构建公式如下：

S222：基于ZM1，通过将每行元素归一化构建转移概率矩阵M，具体构建公式如下：基于M构建二跳转移概率矩阵M2，用于捕捉节点的二跳邻居信息，具体构建公式如下：M2＝M×M；

S223：通过对(M+M2)进行归一化求得扩展转移概率矩阵

S224：对于每个节点i，根据其局部拓扑结构计算动态调整概率ci，具体的计算过程如下：其中，deg(i)是节点i的度数，表示节点i的邻居集合；

S225：使用TERRW的公式，通过迭代更新节点的概率分布，直到概率分布收敛；具体的计算公式如下：S226：将所有节点的概率向量整合成MM1，具体的构建过程如下：

MM1＝[p1,p2,…pi,…,pnm]

其中，pi是经过TERRW收敛后的节点i的概率分布。

7.根据权利要求1所述的一种基于双关联图互补融合的微生物与疾病的关联预测方法，其特征在于，所述S31的具体步骤如下：S311：构建跨关联图连接矩阵Bcross中的任意一个元素的取值计算公式如下：其中，表示Bcross节点i与节点j之间是否存在跨关联图连接关系；

S312：基于B1、B2和Bcross，构建双关联图融合矩阵具体的构建过程如下：所述S32中的DAG-CA执行过程如下：

S321：通过线性变换将Z1分别转换为查询矩阵Q1和键矩阵K1，通过线性变换将Z2分别转换为查询矩阵Q2和键矩阵K2；具体的转换过程如下：其中，是学习得到的权重矩阵参数，规模均为

S322：基于B，计算B1中节点i与相同关联图下的邻居节点u之间的注意力权重αiu；αiu的具体计算公式如下：其中，dk是和的维度，表示一个缩放因子；表示在Q1矩阵中对应的节点i的查询向量；表示在K1矩阵中对应的邻居节点u的键向量；N1(i)表示节点i在B1中的邻居集合；

S323：基于B，计算B2中节点i与相同关联图下的邻居节点u之间的注意力权重γiu；γiu的具体计算公式如下：其中，表示Q2矩阵中对应的节点i的查询向量；表示在K2矩阵中对应的邻居节点u的键向量；N2(i)表示节点i在B2中的邻居集合；

S324：基于B，计算B1中节点i与跨关联图下的邻居节点n之间的注意力权重βin；节点i的跨关联图邻居节点通过B中的Bcross和B2获得，具体的获得方式如下：如果那么B2中第t列的非零位置对应的节点即为i的跨关联图邻居节点；βin的具体计算公式如下：其中，Comp-Softmax是聚焦于跨关联图的不相关补充信息的激活函数，会增强不相关的信息并弱化相关的信息，公式如下：Comp-softmax(R)＝softmax(-R)

其中，R表示节点之间的关系强度；

S325：基于B，计算B2中节点i与跨关联图下的邻居节点n之间的注意力权重δin；节点i的跨关联图邻居节点通过B中的BcrossT和B1获得，具体的获得方式如下：如果那么B1中第t列的非零位置对应的节点即为i的跨关联图邻居节点；δin的具体计算公式如下：所述S33的具体步骤如下：

S331：基于B1中的节点进行双关联图信息融合得到矩阵H1，节点i对应的信息融合过程如下：其中，为双关联图信息融合后B1中节点i的节点表示向量；N1(i)、N2(i)分别表示节点i在B1和B2中的邻居集合；|N1(i)|和|N2(i)|分别表示节点i在B1和B2中的邻居个数；W1、W2、W3是学习得到的权重矩阵，表示在B1中节点i的初始特征向量，表示在B1中邻居节点u的初始特征向量，表示在B2中邻居节点n的初始特征向量；σ为激活函数；

S332：基于B2中的节点进行双关联图信息融合得到矩阵H2，节点i对应的信息融合过程如下：其中，为双关联图信息融合后B2中节点i的节点表示向量；W4、W5、W6是学习得到的权重矩阵；

S333：构建B对应的节点协同表示矩阵H，其计算公式如下：