1.一种基于层次聚类的蛋白质相互作用网络全局比对方法，其特征在于，包括以下步骤：步骤1：输入两个生物网络G1、G2，获取网络结构数据及其序列相似性文件，将蛋白质看做节点，节点i、节点j分别属于两个网络，考虑节点本身以及邻居节点的拓扑特征计算节点对(i,j)间的拓扑相似性得分T(i,j)，根据序列相似性文件计算节点对的序列相似性得分B(i,j)，结合拓扑相似性得分T(i,j)和序列相似性得分B(i,j)计算节点相似性得分S(i,j)；

步骤2：采用层次聚类算法提取功能模块，采用组合优化算法比对功能模块，筛选出节点对作为种子；

步骤3：计算种子的邻居节点的结构相似性得分score(i,j)，根据score(i,j)选择节点对加入种子集合，不断扩展种子直到覆盖所有可能的节点对，得到扩展集；

步骤4：构建二分图对剩余节点对比对，将比对结果合并到扩展集中，得到最终的比对集，即为最终找出的网络G1、G2中节点间的一对一的映射关系的集合；

所述步骤1中结合拓扑相似性和序列相似性构成节点相似性的步骤为：

步骤1‑1：获取两个输入网络G1＝(V1,E1)，G2＝(V2,E2),V1、V2表示节点集合，节点表示蛋白质；E1、E2表示边集合，边表示蛋白质间的相互作用；N(i)、N(j)为节点i和节点j的直接相连的邻居节点的集合；拓扑相似性得分考虑了节点本身和节点的邻居节点的拓扑相似性，计算节点i、j的拓扑相似性得分T(i,j)的过程如下：0

首先，初始化T (i,j)＝1；其次，构建二分图Gb＝(Vb,Eb)，其中Vb由N(i)的节点和N(j)的节点的两个不相交集合组成，Eb中的边(i',j')由N(i)、N(j)中节点所有可能的连接组成，t其中i'∈N(i)，j'∈N(j)，边的权重w(i',j')＝T (i',j')；接着，找到Gb的匹配集合M；最后，t+1计算该匹配M对应的T (i,j)值：

其中，d(i)、d(j)表示节点i、j的度，MaxD表示在G1、G2所有节点中度的最大值，t是预设的迭代次数，θ是平衡邻居节点和节点本身拓扑相似性比重的参数，0≤θ≤1；多次迭代后，t+1T (i,j)的最终值T(i,j)即为节点的拓扑相似性得分；

步骤1‑2：根据序列相似性文件计算节点对的序列相似性得分B(i,j)：其中，blast(i,j)表示节点i、j之间的BLAST bit‑score得分，即序列相似性文件中的值；Minb表示G1、G2网络中节点对的BLAST bit‑score得分的最小值，Maxb表示网络中节点对的BLAST bit‑score得分的最大值；

步骤1‑3：结合拓扑相似性得分T(i,j)和序列相似性得分B(i,j)，计算节点相似性得分S(i,j)：S(i,j)＝α×B(i,j)+(1‑α)×T(i,j)

其中，α是平衡拓扑和序列权重的参数，0≤α≤1；

所述步骤1‑1中找到Gb的匹配集合M的方法为采用贪心算法，具体过程为先选中权重最大的边加入到匹配集合M中，其中每一条边对应一组节点的映射关系，再删除这条边连接的两个节点及其相连的其他边，接着重复上述步骤，直到图中没有可选择的边，则比对结束，得到最终的匹配集合M；

所述步骤2中采用的组合优化算法为匈牙利算法；

所述步骤2中筛选种子节点对的具体过程如下：

步骤2‑1：采用层次聚类方法从网络中提取功能模块，将每个网络构成的图中连接密集的且具有相似功能的子图划分为功能模块；

步骤2‑2：根据功能模块内的节点相似性得分S(i,j)，将功能模块中节点相似性得分S(i,j)之和的最大值组成两个网络中提取出的各个功能模块间的相似性得分，即所有模块间的相似性之和最大时的一种模块对应关系；

步骤2‑3：利用匈牙利算法对各个功能模块间的相似性得分进行处理，得到最佳功能模块匹配结果，即各个功能模块间的相似性得分的排序集合，并筛选出节点对作为种子；

所述步骤2‑1中采用的层次聚类算法为Jerarca算法，具体为先计算节点间的加权距离，接着将距离矩阵转换成层次结构树，最后根据模块内和模块间节点连接分布进行最优层次划分得到功能模块，以此将每个网络构成的图中连接密集的且具有相似功能的子图划分为功能模块；

所述步骤2‑3中筛选出节点对作为种子，其中筛选出的种子为最佳模块匹配结果中前

15％的节点；

所述步骤3中不断扩展种子直到覆盖所有可能的节点，具体过程为：

步骤3‑1：将与种子节点直接连接的且跨度为1的节点集合作为邻居节点，计算种子中各节点对的邻居节点的结构相似性得分score(i,j)，将种子节点作为匹配集，score(i,j)为该节点对中其邻居节点对中属于种子的节点对数；

步骤3‑2：选择结构相似性得分score(i,j)最大的节点对添加到匹配集；

步骤3‑3：更新匹配集中各节点对的邻居节点的结构相似性得分score(i,j)；

步骤3‑4：重复步骤3‑2和步骤3‑3，直到覆盖所有可能的节点，得到扩展集；

所述步骤3‑2中选择结构相似性得分score(i,j)最大的节点对添加到匹配集时，若存在多个节点对满足此条件，则进一步计算这几个节点对的度差值，选择度差值最小的节点对加入；若最小度差值也有多个节点对，则从最小度差值的节点对中找节点相似性得分S(i,j)最高的节点对添加到匹配集；

所述步骤4中构建二分图对剩余节点比对的过程为：

步骤4‑1：查找出两个生物网络G1、G2中不属于扩展集的节点，构建二分图Gb'，图中所有边的权重为该节点对的节点相似性得分S(i,j)；

步骤4‑2：选择二分图Gb'中权重最大的边，若此边对应的节点对均未在扩展集中出现过，则将该节点对添加到扩展集中，同时删除该节点对在二分图Gb'中的相应节点对和相关的边，剩余节点对和边保持不变；

步骤4‑3：重复步骤4‑2，直到二分图Gb'中无可选择的节点对存在，比对结束，得到最终的比对集。