1.一种基于深度自编码器的疾病相关miRNAs预测方法，其特征在于，包括：S1.从TCGA数据库中获取样本的miRNAs表达谱数据，对获取的miRNAs表达谱数据分别进行标准化处理；所述样本包括疾病样本和正常样本；

S2.利用矩阵分解方法，对标准化处理后的miRNAs表达谱数据中的零值进行填充，使用填充后的miRNAs表达谱数据训练深度自编码器模型；

S3.基于所述深度自编码器模型训练反向编码器，根据所述反向编码器获得疾病样本的miRNA表达谱数据与疾病相关性大小，得到与疾病相关性高的miRNA。

2.根据权利要求1所述的方法，其特征在于，所述疾病样本中包括至少一种疾病样本，每个样本包括多个miRNA表达谱；

所述对获取的miRNAs表达谱数据分别进行标准化处理具体为：将所述疾病样本和正常样本的miRNA数据映射到0到1之间，具体方法如下：其中，其中x表示某个样本中某个miRNA的表达值，xmin表示某个样本中miRNA的最小表达值，xmax表示某个样本中miRNA的最大表达值，xn表示标准化后的miRNA的表达值)，将表达值映射到0到1之间；

根据疾病样本中的疾病种类数量，与正常样本共同构建一个样本种类×样本数量的表达矩阵。

3.根据权利要求2所述的方法，其特征在于，所述利用矩阵分解方法，对标准化处理后的miRNAs表达谱数据中的零值进行填充具体方法为：将所述表达矩阵进行分解，得到第一表达矩阵和第二表达矩阵；

将所述第一表达矩阵和第二表达矩阵相乘，实现矩阵中零值填充；

根据预设的学习率和训练次数循环上述步骤。

4.根据权利要求3所述的方法，其特征在于，所述矩阵分解的学习率为0.000002，训练次数为5000次。

5.根据权利要求1所述的方法，其特征在于，所述训练深度自编码器模型使用优化器ADAM，学习率为1.0×10‑4，损失函数为：其中，n表示miRNAs特征的总个数，xi表示miRNAi的表达量， 表示miRNAi的预测表达量。

6.根据权利要求1所述的方法，其特征在于，所述基于所述深度自编码器模型训练反向编码器具体方法为：选取miRNA表达谱数据中样本量较大的疾病样本作为数据集，每一个疾病样本对应一个表型；

将数据集中疾病样本对应的表型数据作为输入，miRNA表达谱数据作为输出，训练反向编码器。将反向编码器与原始编码器的剩余部分拼接，得到最终的打分模型。

7.根据权利要求1所述的方法，其特征在于，所述根据所述反向编码器获得疾病样本的miRNA表达谱数据与疾病相关性大小，得到与疾病相关性高的miRNA具体方法为：将包含每种疾病样本的表型方阵分别输入到所述打分模型中，每种疾病样本的表型方阵分别得到一列打分向量数据；

对所有得到的打分向量数据从大到小排序，分值越大，排名越靠前的miRNAs则为与输入层对应的疾病密切相关的miRNAs。

8.一种基于深度自编码器的疾病相关miRNAs预测系统，其特征在于，包括：数据处理模块：用于从TCGA数据库中获取样本的miRNAs表达谱数据，对获取的miRNAs表达谱数据分别进行标准化处理；所述样本包括疾病样本和正常样本；

模型训练模块：用于利用矩阵分解方法，对标准化处理后的miRNAs表达谱数据中的零值进行填充，使用填充后的miRNAs表达谱数据训练深度自编码器模型；

相关性预测模块：用于基于所述深度自编码器模型训练反向编码器，根据所述反向编码器获得疾病样本的miRNA表达谱数据与疾病相关性大小，得到与疾病相关性高的miRNA。

9.一种电子设备，其特征在于，包括：

处理器；以及，

被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现如权利要求1至7任一项所述的基于深度自编码器的疾病相关miRNAs预测方法的步骤。

10.一种存储介质，其特征在于，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现如权利要求1至7任一项所述的基于深度自编码器的疾病相关miRNAs预测方法的步骤。