1.基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，将观察图利用k-hop算法得到若干个k跳子图包括：
3.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，步骤二s包括：
4.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，步骤三具体包括：
5.根据权利要求4所述的基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，节点级别、链接级别、图级别的特征公式为：
6.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，构建图为g(v,e,x)，v和e分别是图g中节点和边的集合，x为节点特征，x的公式为：
7.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，图级别的特征是将g+和g-图级别返回概率之间的差异作为最终的图级别特征graphτ。
8.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法，其特征在于，最终特征列表通过交叉熵损失函数得到得分矩阵，利用得分矩阵得到预测分数。
9.基于高阶拓扑特征的小分子药物-mirna关联预测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的基于高阶拓扑特征sm-mirna关联预测方法。
10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于高阶拓扑特征sm-mirna关联预测方法。