1.一种基于循环神经网络的蛋白质二级结构预测方法，其特征在于，所述预测方法包括以下步骤：

1)输入一个残基数为L的待进行蛋白质二级结构预测的蛋白质序列，记作S；

2)对蛋白质序列S，使用独热编码方式进行编码，得到一个大小为L×20的特征矩阵，记作M1，M1中第i行第j列元素表示为：其中，A1,A2,...,A20表示20种常见氨基酸类型的残基，Ti表示序列S中第i个残基的类型；

3)对蛋白质序列S，使用PSI‑BLAST程序生成蛋白质位置特异性评分矩阵，记作PSSM；

4)对M1和PSSM进行矩阵加法运算，获取一个大小为L×20的矩阵，记作M2；

5)计算矩阵M2中每一行的平均值，获取一个大小为L×1的向量，记作H；

6)计算矩阵M2中的每一行方差，获取一个大小为L×1的向量，记作V；

7)对蛋白质序列S，通过以下公式获取一个大小为L×20的特征矩阵F，F中第i行第j列元素表示为：其中， 表示M2中第i行第j列元素，Hi表示H中第i个元素，Vi表示V中第i个元素；

8)矩阵F中任意一行Fi，i＝1,2,...,L，表示蛋白质序列S中第i个残基的特征向量；

9)从PDB数据库中获取已知残基二级结构类别的蛋白质序列作为训练集，所述残基二级结构类别包括埋藏、中间状态和暴露，使用步骤2)‑8)生成训练集中所有残基的特征向量；结合残基二级结构类别标签，构建训练样本集；

10)搭建循环神经网络预测蛋白质序列S中残基的二级结构类别，该网络由三个部分组成，第一个部分是卷积层部分，该部分由一个卷积核大小为1×20的卷积层、一个卷积核大小为3×1的卷积层、一个归一化层、一个池化层组成；第二个部分是循环层部分，该部分由两个LSTM层组成；最后一个部分是全连接层部分，该部分由两个全连接层组成，每一层输出作为下一层的输入，使用sigmoid激活函数使网络的输出值在(0,1)范围内；

11)使用步骤9)中构建的训练样本集训练步骤10)中搭建的网络，训练阶段采用交叉熵损失函数调整网络中的参数，交叉熵损失函数记作：其中，u表示蛋白质序列中待测残基的真实标签，表示网络模型预测残基类别对应的输出值，Y表征预测输出与真实标签的差距；

12)将蛋白质序列S中残基的特征向量输入到步骤11)训练的模型中，根据模型输出每个残基二级结构类别的概率值，概率最大值对应的类别即为该残基二级结构的预测类别。