1.一种基于循环网络的蛋白质与蛋白质相互作用预测方法，其特征在于，所述预测方法包括以下步骤：

1)输入两条蛋白质残基个数分别为LA和LB的待进行蛋白质与蛋白质相互作用预测的蛋白质序列信息，分别记作SA和SB；

X X

2)对任意给定的一条残基个数为L的蛋白质序列信息，记作S ，使用如下步骤计算S 的残基组成特征、残基过渡特征、残基分布特征，过程如下：

2.1)将已知的20种氨基酸类型分别记作：A、G、U、D、E、M、S、T、Y、F、I、L、P、H、N、Q、W、K、R、XC，根据蛋白质残基侧链的偶极子和体积，将S 中的20种氨基酸分为七组：“A、G、U”，“D、E”，“M、S、T、Y”，“F、I、L、P”，“H、N、Q、W”，“K、R”，“C”，分别记作B1、B2、B3、B4、B5、B6、B7，同一组的氨基酸由于特征相似，会发生同义突变；

X

2.2)计算S中每一组残基组成特征，记作Cr：Cr＝Nr/L，其中r＝1，2，3，4，5，6，7，Nr为某X

一组在S中残基总数；

X

2.3)计算S中每一组残基过渡特征，共有21种残基过渡类型，分别为B1过渡为B2或者B2过渡为B1、B1过渡为B3或者B3过渡为B1、……、B6过渡为B7或者B7过渡为B6，记作Tr：Tr＝Mr/X

L，其中r＝1，2，3，……20,21，Mr为21种残基过渡类型中某一类型在S中的总数；

X

2.4)计算S 中每一组残基分布特征，记作 其中 表示七组中的X

某一组在S中第Nr×p个残基的索引值，r＝1，2，3，4，5，6，7，X

2.5)将S在25％×L、50％×L、75％×L三个位点处切成4个片段，分别记作L1、L2、L3、L4，从L1、L2、L3、L4中随机抽取两个或者三个不重复的片段进行片段组装，形成一个片段，共生成10个新的片段：L1L2、L1L3、L1L4、L2L3、L2L4、L3L4、L1L2L3、L1L2L4、L2L3L4、L1L3L4；

2.6)将步骤2.5)获得的14个片段，根据步骤2.1)至2.4)生成对应的残基组成特征、残X

基过渡特征、残基分布特征，每一个片段生成63维特征，由S和14个片段一共得到945维特征向量；

X

3)根据蛋白质与蛋白质界面热点倾向性，将S中的20种氨基酸分为3组：“D、H、I、K、N、P、X

R、W、Y”，“E、Q、S、T、G、A、M、F”，“C、L、V”，分别记作J1、J2、J3，使用如下步骤计算S的残基组成特征、残基过渡特征、残基分布特征，过程如下：X X

3.1)计算S 中每一组残基组成特征，记作Ci：Ci＝Ni/L，其中i＝1，2，3，Ni为某一组在S中残基总数；

X

3.2)计算S中每一组残基过渡特征，共有3种残基过渡类型，分别为J1过渡为J2或者J2过渡为J1、J1过渡为J3或者J3过渡为J1、J2过渡为J3或者J3过渡为J2，记作Ti：Ti＝Mi/L，其X

中i＝1，2，3，Mi为3种残基过渡类型中某一类在S中的总数；

X

3.3)计算S中每一组残基分布特征，记作 其中 表示七组中的X

某一组在S中第Ni×p个残基的索引值，r＝1，2，3，X

4)根据蛋白质二级结构，将S中的20种氨基酸分为3类：“E、A、L、M、Q、K、R、H”，“V、I、Y、C、XW、F、T”，“G、N、P、S、D”，分别记作Z1、Z2、Z3，使用步骤3.1)至3.3)计算S的残基组成特征、残基过渡特征、残基分布特征；

X

5)根据蛋白质溶剂可及性，将S中的20种氨基酸分为3类：“A、L、F、C、G、I、V、W”，“P、K、Q、XE、N、D”，“M、P、S、T、H、Y”，分别记作X1、X2、X3，使用步骤3.1)至3.3)计算S的残基组成特征、残基过渡特征、残基分布特征；

X X

6)根据步骤2)至5)，得到S的残基组成特征、残基过渡特征、残基分布特征，组成S的特征向量，记作fea；

7)搭建双向长短时记忆循环神经网络框架，该双向长短时记忆循环神经网络框架共有两个部分组成，第一部分是由两个两层的双向长短时记忆循环神经网络LSTM‑BRNN、一络LSTM个线性层FC、一个归一化层BN、一个Tanh层组成；第二部分是由两个两层的双向长短时记忆循环神经网‑BRNN、三个线性层FC、三个归一化层、三个Tanh层、一个Softmax层组成；

8)从PDB库中收集已有蛋白质与蛋白质接触位点标签的蛋白质序列，记作其中， 表示Dataset中的第i对蛋白质序列，Yi表示 的是否相互作用标签，i＝1，2，…，N，N是蛋白质序列对的总数；

9)根据步骤2)至5)，生成所有 的特征向量，记作 其中，i＝1，2，……，N，N是蛋白质序列对的总数，与对应标签Yi组成样本集合

10)使用步骤7)搭建的双向长短时记忆循环神经网络框架在S上学习预测模型，记作LSTMMergeLinear；

11)将待测蛋白质SA，SB经过步骤2)至5)生成对应的特征向量，将其特征向量输入到训练好的模型LSTMMergeLinear中，得到蛋白质SA，SB是否相互作用的概率值，设定阈值为value，当输出概率值大于value时，则SA与SB是相互作用的，反之则为非相互作用。