1.一种基于模糊k‑mer使用率鉴定lncRNA的方法，其特征在于：具体包括如下步骤：步骤1，对RNA序列数据进行预处理；

步骤2，对传统k‑mer和模糊k‑mer进行定义，并计算传统k‑mer使用频率；

所述步骤2的具体过程为：

t

传统k‑mer的定义为：传统的k‑mer记为U＝{uj}，1≤j≤N＝4，序列长度为t；

模糊k‑mer的定义为：模糊k‑mer记为 序列长度为n，其中不能匹配碱基序列的长度为n‑x，x个位置有碱基，x必须小于n；

传统k‑mer使用频率的计算过程为：在滑窗内的序列和特定序列i匹配，则特定序列i的使用次数Ni则增加1，采用如下公式(1)计算k‑mer使用频率Fi：Fi＝Ni/Mk (1)；

其中，Mk是长度为k的滑窗能沿着RNA序列滑动的总次数；

步骤3，确定传统k‑mer与模糊k‑mer的对应关系；

所述步骤3的具体过程为：

传统k‑mer和模糊k‑mer的一一对应关系的矩阵AM×N＝[ai,j]，矩阵A中元素的取值为1或

0：

设x是向量,长度为N，其中元素xj是uj的数量；设y是向量，长度为M，其中元素yi是长度为vi的数量，传统k‑mer和模糊k‑mer的一一对应关系为：y＝Ax                       (2)；

步骤4，求解传统k‑mer与模糊k‑mer对应关系矩阵cm；

所述步骤4的具体过程为：

对RNA转录本X，其特征向量为

其中， 为转录本中第i个模糊k‑mer的出现次数；

为k‑mer的数量；

为了求解公式(2)的最小L2范式解，定义核函数为：其中，Nm(S1，S2)表示序列S1和序列S2之间的m个不匹配的模糊k‑mer数量；

其中，r＝m1+m2‑2t‑m,b＝4；

步骤5，用模糊k‑mer训练预测模型。

2.根据权利要求1所述的一种基于模糊k‑mer使用率鉴定lncRNA的方法，其特征在于：所述步骤1的具体过程为：

从RefSeq数据库下载人类编码蛋白的转录本mRNA序列和注释，从GENCODE v17收集人类长链非编码RNA，将带有putative、predicted、pseudogene注释的mRNA和lncRNA排除掉。

3.根据权利要求1述的一种基于模糊k‑mer使用率鉴定lncRNA的方法，其特征在于：所述步骤5的具体过程为：首先，使用LIBSVM包中的svm‑scale程序来规范化调整过的使用频率到0到1范围内的数；然后，采用径向基函数为核的支持向量机作为二分类器；使用LIBSVM包中的grid.py脚本获得优化的支持向量机的参数C和核的参数gamma；在参数搜索过程中，采用10倍交叉验证来评估每对C和gamma参数对应的分类模型的性能。