1.一种基于深度学习的生物分子网络构建与优化方法，其特征在于：包括以下步骤：步骤一：搭建适合Keras深度学习运行的软硬件环境；

步骤二：多个层次的生物分子网络数据的收集及预处理，并进行多层次网络对齐，初步建立多层次生物分子网络；在所述步骤二中，从多个公共数据库收集多层次生物分子关联互作数据，具体数据包括：生物分子类型 对齐后样本维度 数据源

LncRNA‑Disease 240×412 LncrnadiseaseLncRNA‑miRNA 240×495 StarbaseLncRNA‑Gene 240×12663 Lncrna2targetLncRNA‑GO 240×6428 GeneRIFmiRNA‑Disease 495×412 HmddmiRNA‑Gene 495×12663 MirtarbaseGene‑Gene 12663×12663 BiogridGene‑GO 12663×6428 GeneontologyGene‑Disease 12663×412 DisgenetIsoform‑Gene 31408×12663 ENCODE在完成对上述生物分子互作关联数据收集整理之后，因为各数据源数据维度不统一，首先进行数据维度统一对齐，包括：以基因为基准，对各数据源数据中的基因取交集，然后向剩余生物分子对齐各自数据维度，初步建立多层次生物分子网络，再将各层次的节点关联数据进行one‑hot编码步骤三：收集生物各层次生物分子特征数据并进行相应特征编码，再将数据集分为训练集和测试集；

步骤四：根据网络优化目标及现有特征，采用深度学习算法构建一个网络优化模型；

步骤五：在搭建的深度学习Keras运行环境上，使用准备的已对齐的多层次生物分子网络数据以及处理好的各层次生物分子特征数据，按照步骤四搭建的模型进行训练，求解模型中各层的参数，达到预期效果停止训练并保存各层参数；

步骤六：将训练好的神经网络模型进行部署，用于多层次生物分子网络优化。

2.根据权利要求1所述的基于深度学习的生物分子网络构建与优化方法，其特征在于：步骤一中所述搭建的适合Keras深度学习运行的软硬件环境包括：硬件为一台内存32GB，带两个内存为12GB的NVIDIATesla K40C独立显卡的服务器或更高配置；软件的操作系统为Ubuntu16.04，64位操作系统，以及Keras依赖的其他第三方库。

3.根据权利要求1所述的基于深度学习的生物分子网络构建与优化方法，其特征在于：在步骤三中继续收集各层次生物序列数据进行特征编码，同时收集各生物分子表达量的数据与生物序列特征拼接作为补充特征。

4.根据权利要求1所述的基于深度学习的生物分子网络构建与优化方法，其特征在于：在步骤四中，构建一个基于Keras深度学习算法的多层次生物网络优化算法；根据优化网络的任务，确定模型结构，在Sequential()函数创建的模型容器model中，反复调用add()函数插入卷积层、最大池化层、全连接层以及激活函数构建深度卷积神经网络模型。

5.根据权利要求1所述的基于深度学习的生物分子网络构建与优化方法，其特征在于：步骤五中，利用训练数据集采用梯度下降算法对深层网络各层参数进行迭代更新，并且使用测试数据集对上述训练获得的模型进行性能评估，在达到预期性能后，停止训练并保存各层参数。

6.根据权利要求1所述的基于深度学习的生物分子网络构建与优化方法，其特征在于：步骤六中利用建立的网络优化模型和步骤五中训练得到的模型参数对建立的多层次生物分子网络进行优化，补充预测概率值高的关联边。