1.一种基于深度残差神经网络的蛋白质残基接触预测方法，其特征在于：所述残基接触预测方法包括以下步骤：

1)构建数据集：从蛋白质数据库PDB中选择序列相似度低于20％、序列长度在40‑500之间的4000个氨基酸序列，从中随机选择300个序列作为测试集，剩余的序列作为训练集；

2)氨基酸序列进化信息分析，操作如下：

2.1)利用HHsuite软件包中的HHblits在UniRef30序列数据库中搜索数据集中每条序列的多序列比对文件；

2.2)基于生成的多序列比对文件，计算多序列比对文件中第i号残基为A类型氨基酸的概率fi(A)，其中A∈{A，C，D，E，F，G，H，I，K，L，M，N，Q，R，S，T，V，W，Y，‑}，i∈{1，2，...，L}，L为多序列比对文件中单条序列的长度，fi(A)计算公式如下：其中M表示多序列比对文件中序列的条数，m表示当前序列是多序列比对文件中的第几条，m∈{1，2，...，M}， 表示多序列比对中第m行第i列残基的类型， 表示 和A是否相等，相等则为1，不等则为0；

2.3)计算多序列比对文件中第i号残基为A，且第j号残基为B的概率fij(A，B)，其中A和B均∈{A，C，D，E，F，G，H，I，K，L，M，N，Q，R，S，T，V，W，Y，‑}，其中i和j均∈{1，2，....，L}，L为多序列比对文件中单条序列的长度，fij(A，B)计算公式如下：其中M表示多序列比对文件中序列的条数，m表示当前序列是多序列比对文件中的第几条，m∈{1，2，...，M}， 表示多序列比对中第m行第i列中的残基类型； 表示多序列比对中第m行第j列残基的类型； 表示 和A是否相等，相等则为1，不等则为0；

表示 和B是否相等，相等则为1，不等则为0；

2.4)根据步骤2.2)和2.3)中得到的fi(A)和fij(A，B)计算香农熵Si，i表示多序列比对文件中的第i列，i∈{1，2，...，L}，L为多序列比对文件中单条序列的长度，Si计算公式如下：其中A∈{A，C，D，E，F，G，H，I，K，L，M，N，Q，R，S，T，V，W，Y，‑}；

3)构建神经网络输入特征及标签文件，过程如下：

3.1)计算协方差矩阵Q，协方差矩阵的每个特征计算公式如下：其中 表示第i号残基为A、第j号残基为B情况下的协方差，其中i和j均∈{1，2，...，L}；

3.2)构建输入特征集：由fi(A)公式生成的序列谱特征的维度为L*21维，L为多序列比对文件中单条序列的长度，由Si公式生成的香农熵特征的维度为L*1维，通过条带化的方式将序列谱特征的维度转换为L*L*42维，将香农熵特征的维度转换为L*L*2维，然后和协方差矩阵的L*L*441维特征一起组成L*L*485维输入特征；

3.3)建立数据集样本标签：在PDB数据库中搜索每一个训练蛋白的结构文件，并计算每个结构内部两两残基间的欧式距离，以 为阈值判断残基对是否接触，当距离小于 表明该残基对接触，接触图相应位置置1，否则表明该残基对不接触，接触图相应位置置0；

4)神经网络训练：本发明采用的是残差网络，采用二进制交叉熵函数作为损失函数；采用He initialization初始化网络权重，He initialization是网络权重初始化方法；开发平台采用Pytorch，学习率设置为0.001，批处理大小为7个训练样本为一个批次；训练过程使用马修斯相关系数作为评价指标，记录马修斯相关系数的最大值，如果记录了最大值之后，连续10代的最大值都保持不变，则停止训练；

5)预测测试集序列接触图，利用HHsuite软件包中的HHblits在UniRef30序列数据库中搜索测试序列的多序列比对文件，然后根据3.1)中序列特征生成步骤生成测试序列的序列特征，输入到神经网络中进行预测，最终生成一个contact文件，contact文件中包含神经网络生成的接触信息，然后根据contact文件中的置信度进行排序，用于辅助蛋白质结构预测。