1.一种基于内积自注意力神经网络的蛋白质磷酸化位点预测方法，其特征在于，所述预测方法包括以下步骤：

1)输入一个氨基酸残基数目为L的待进行磷酸化位点预测的蛋白质序列，记作S；

2)使用one‑hot编码方式对组成蛋白质的20种常见氨基酸类型进行数字编码；

3)利用20种常见氨基酸类型的one‑hot编码，将氨基酸残基数目为L的蛋白质序列S转换为一个L×20的特征矩阵，记作 Mfea中第i行第j列元素Mfea(ij)表示为：

其中，Ti表示蛋白质序列S中第i个残基的类型，Aj表示20种常见氨基酸类型中的第j种残基类型；

4)对蛋白质中的每个残基，根据蛋白质的特征矩阵Mfea，使用大小为w的滑动窗口，生成一个大小为w×20的特征矩阵，记作M；

5)搭建内积自注意力神经网络，该网络共有四层，分别为卷积层、内积自注意力层、全连接层以及softmax层，每一层的输出作为下一层的输入；；

6)从PhosphoSitePlus数据库中收集N条已有磷酸化位点标签的蛋白质序列，Pi表示第i条蛋白质序列，i＝1,2…,N，将Pi通过步骤2)至4)生成每个目标残基的特征矩阵M，结合相应的位点标签，构建训练数据集；

7)利用步骤6)得到的训练数据集，训练步骤5)搭建的内积自注意力神经网络，训练阶段使用二分类交叉熵损失函数调整网络中的参数；

8)将蛋白质序列S中每个残基的特征矩阵M输入到步骤7)训练得到的内积自注意力神经网络模型中，输出预测概率P；根据模型输出的预测概率P与判定阈值T的大小关系，即可判断目标残基是否为磷酸化位点，当预测概率值P大于判定阈值T时，残基即为磷酸化位点。

2.如权利要求1所述的基于内积自注意力神经网络的蛋白质磷酸化位点预测方法，其特征在于，所述步骤5)中，卷积层、内积自注意力层、全连接层以及softmax层的描述如下：

5.1)卷积层：将通过步骤4)获得的特征矩阵M作为输入，分别与三个大小为3×20的卷a b c

积核W、W、W做卷积运算，得到三个大小为(w‑2)×1的向量a,b,c作为输出；

5.2)内积自注意力层：首先，将卷积层的输出向量a和b做内积运算，得到数值λ，数值λ再与向量c做数乘，得到一个大小为(w‑2)×1的向量，记作d；然后，将卷积层的输出向量a,b,c与向量d串联，得到一个大小为(w‑2)×4的矩阵，记作M′；其次，通过ReLU激活函数对矩阵M′做非线性变换；最后，将多维的输出拉成一个一维向量，实现到全连接层的过渡；

5.3)全连接层：该层由54个神经元组成，起到分类器的作用，生成softmax层损失函数的输入；

5.4)softmax层：输出目标残基是否为磷酸化位点的预测概率。