1.一种药物靶点结合能预测方法，其特征在于，包括：

S1从PDBbind数据集中获取蛋白与配体分子结合的三维结构，并存储于本地服务器；基于PDB数据库与PDBbind数据库中的晶体结构数据，经过数据预处理，在本地数据库服务器中建立数据库，以存储蛋白质与配体分子的pdb文件；

S2对所述pdb文件中的数据进行解析，在pdb文件中选定配体分子所在的位置，并按照与配体分子之间距离的远近将蛋白质的结构分割成三层；

S3将配体分子和分割得到的三层蛋白质分别进行编码，共计四层结构，得到蛋白‑配体分子相互作用的SPLIF指纹；对本地数据库中所有的分子进行相应的编码，形成训练集、验证集和测试集；

S4在服务器中建立神经网络模型，利用训练集对其进行训练，并利用测试集对训练后的神经网络模型进行验证，直到得到预设的预测效果；

S5计算神经网络模型预测得到的结合常数，计算预测值与真实值的皮尔森相关系数和绝对误差，对所述神经网络模型的预测结果进行验证；

S6使用训练完成的神经网络模型对蛋白质与配体分子结合常数进行预测，并通过阿雷尼乌斯公式将结合常数转变为结合自由能，完成对结合自由能的预测。

2.如权利要求1所述的药物靶点结合能预测方法，其特征在于，在步骤S2中，将距离配体分子 的蛋白质的微环境划分为三层；

在步骤S3中，将配体分子、三层分割的蛋白质，共计四组结构分别进行编码，得到蛋白‑配体分子相互作用的SPLIF指纹；

在步骤S4中，将提取的蛋白与配体分子相互作用的四层SPLIF指纹输入神经网络模型中，对蛋白与配体分子的特征进行学习，完成对神经网络模型的训练和验证；

在步骤S5中，将提取的蛋白与配体分子相互作用的四层SPLIF指纹输入神经网络模型，对蛋白与配体分子的结合自由能进行预测。

3.如权利要求1或2所述的药物靶点结合能预测方法，其特征在于，在步骤S4中，创建的神经网络模型为卷积神经网络模型，包括：两个卷积层、两个最大池化层、一个全连接层及一个Dropout层。

4.如权利要求1或2所述的药物靶点结合能预测方法，其特征在于，在步骤S4中，创建的神经网络模型为深度神经网络模型，包括：两层隐藏层，第一隐藏层包含2048个神经元，第二隐藏层包含1024个神经元，且每层后面跟一个丢失比率为0.1的Dropout层。

5.一种药物靶点结合能预测装置，其特征在于，包括：

本地数据库建立模块，用于从PDBbind数据集中获取蛋白与配体分子结合的三维结构，并存储于本地服务器；基于PDB数据库与PDBbind数据库中的晶体结构数据，经过数据预处理，在本地数据库服务器中建立数据库，以存储蛋白质与配体分子的pdb文件；

蛋白质结构分割模块，用于对所述pdb文件中的数据进行解析，在pdb文件中选定配体分子所在的位置，并按照与配体分子之间距离的远近将蛋白质的结构分割成三层；

编码模块，将配体分子和分割得到的三层蛋白质分别进行编码，得到蛋白‑配体分子相互作用的SPLIF指纹；对本地数据库中所有的分子进行相应的编码，形成训练集、验证集和测试集；

网络训练模块，用于在服务器中建立神经网络模型，利用训练集对其进行训练，并利用测试集对训练后的神经网络模型进行验证，直到得到预设的预测效果；

预测结果验证模块，用于计算神经网络模型预测得到的结合自由能，与实验结果比较皮尔森相关系数和绝对误差，对所述神经网络模型的预测结果进行验证；及结合能预测模块，用于使用训练完成的神经网络模型对蛋白质与配体分子结合常数进行预测，并通过阿雷尼乌斯公式将结合常数转变为结合自由能，完成对结合自由能的预测。

6.如权利要求5所述的药物靶点结合能预测装置，其特征在于，在蛋白质结构分割模块中，将距离配体分子 的蛋白质的微环境划分为三层；

在编码模块中，将配体分子和三层蛋白质分别进行编码，得到包含四层结构的蛋白‑配体分子相互作用的SPLIF指纹；

在网络训练模块中，将提取的蛋白与配体分子相互作用的四层SPLIF指纹输入神经网络模型中，对蛋白与配体分子的特征进行学习，完成对神经网络模型的训练和验证；

在自由能预测模块中，将提取的蛋白与配体分子相互作用的四层SPLIF指纹输入神经网络模型，对蛋白与配体分子的结合自由能进行预测。

7.如权利要求5或6所述的药物靶点结合能预测装置，其特征在于，在网络训练模块中，创建的神经网络模型为卷积神经网络模型，包括：两个卷积层、两个最大池化层、一个全连接层及一个Dropout层。

8.如权利要求5或6所述的药物靶点结合能预测装置，其特征在于，在网络训练模块中，创建的神经网络模型为深度神经网络模型，包括：两层隐藏层，第一隐藏层包含2048个神经元，第二隐藏层包含1024个神经元，且每层后面跟一个丢失比率为0.1的Dropout层。