1.一种基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，包括以下步骤：

步骤1：LPI特征提取，先获取已知的lncRNA序列、蛋白质序列，运用Pyfeat对所获得的lncRNA序列进行数字特征提取，形成相应的多维向量A，运用BioTriangle对所获得的蛋白质序列进行数字特征提取，形成相应的多维向量B；

步骤2：特征降维，基于主成分分析(PCA)分别对lncRNA和蛋白质原始特征进行降维，得到两个d维向量，将获得的两个d维特征向量连接起来，将lncRNA‑蛋白质对表示为2d维向量x；

步骤3：建立LPI预测框架模型，将2d维向量x与表示lncRNA‑蛋白质对的对应标签表示为D＝{X,Y}的LPI数据集，LPI网络表示为一个矩阵Y：假设D＝{X,Y}表示LPI数据集，其中(,Y)表示lncRNA‑蛋白质对，x∈X表示二维特征向量，y∈Y表示lncRNA‑蛋白质对的对应标签；

步骤4：LPI分类，建立由FIR网络和MLP网络组成的双神经网络结构的深度学习模型，FIR网络根据上一次迭代中MLP网络获得的分类结果选择最优的LPI特征子集，MLP网络基于FIR网络中提取的最佳LPI特征子集对lncRNA‑蛋白质对进行分类，这两个网络在数据集上交替训练；

步骤5：利用FIR网络生成最优LPI特征子集，而MLP网络根据最优LPI特征子集训练得到的参数对未知lncRNA‑蛋白质对进行分类。

2.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，在所述的LPI预测框架中，设m∈M表示由值为0或1的元素组成的2d维掩码向量，||m||0＝s,s<2d，并且 掩码向量 表示任意lncRNA‑蛋白质对x的s个特征的子集，其中表示哈达玛积；假设Q(x,m)表示通过屏蔽了部分特征之后，MLP网* *

络训练得到的预测性能，基于得分对其进行排序：(m ,Score(m))＝argmaxm∈M∑x∈XQ(x,m)，* *

其中m表示所得性能最好的掩码子集，Score(m)表示其特征子集的重要性得分，使用所选择的最佳特征子集来计算每个lncRNA‑蛋白质对的标签。

3.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，在候选LPI特征子集 中加入噪声，以增强随机局部搜索能力，其中M′在学习期间可能改变，将训练样本(x,y)∈D结合掩码转换为： 使用不同的特征子集对MLP网络进行训练，学习fMLP:X×M→Y，MLP网络的损失函数定义为：其中 表示在训练期间的

二进制交叉熵损失。

4.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，在MLP网络中的所有中间层的激活函数使用sigmoid，最终输出层的激* *

活函数使用softmax，使用训练好的网络fMLP(α；x；m)来预测数据集上LPI。

5.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，FIR网络根据MLP网络的预测结果选择最优的LPI特征子集，对于每个lncRNA‑蛋白质对x∈X，通过最大的Q(x,m)来寻找最优LPI特征子集，并对特征进行排序，通* *

过Score(m)生成m的最佳特征子集，FIR网络上的损失函数定义为：在FIR网络中，所有中间

* *

层使用sigmoid函数激活，最终输出层使用线性函数作为激活函数，训练后的fFIR(β；x；m)*

具有最优参数β，用于提取测试数据集上的最优特征。

6.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，在学习过程中，FIR网络协助MLP网络提供最优的LPI特征子集|M′|，而MLP网络将所有m∈M′的损失 反馈给FIR网络。

7.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，MLP网络经过若干次训练，直到在不同的LPI特征子集上产生稳定的性能，在每次训练中，从M中随机提取不同掩码的特征子集M′1，其中，Random(M,s)表示从M中随机提取由s个1和(2d‑s)个0组成的2d维掩码的函数，α通过NAdam方法进行训练： 其中η表示学习速率,在E次训练之后：α1＝α″(E), 将上述参数输入到FIR网络。

8.根据权利要求7所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，在第t步，由MLP网络提供FIR网络中的训练样本m：首先随机初始化β1，然后使用Adam方法来更新参数β：在第t+1步产生一个新的掩码特征子集M′t+1，应用于FIR网络，将特征子集M′t+1分成两个互斥的子集：M′t+1＝M′t+1,1∪M′t+1,2，用随机函数来生成M′t+1,1，通过增加噪声来减少过拟合。

9.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法，其特征在于，训练的整体流程如下：阶段I:初始化最优特征子集mt+1,opt：(1):计算

(2):通过以下四步计算出贡献最高的s个特征a.通过 计算贡献排名前s的特征，其中b.用 中梯度最大的特征替换mopt中的特征，重新生成最优特征子集；

c.通过 生成最佳LPI特征子集；

d.重复(2)‑(3)直到fFIR(βc+1；mopt)≤fFIR(βt+1；m′opt)获得最优子集mt+1,opt；

阶段II:通过扰动生成多个最优LPI特征子集：基于扰动函数Perturb(mopt,sp)随机将sp(sp

(2)重复扰动函数并获得多个最佳LPI特征子集mi|mi＝Perturb(mt+1,opt,sp)；

阶段III:集成最优LPI特征子集候选：(1)使mt,best成为LPI最佳特征子集候选，其有助于MLP网络在第t步的预测；

(2)根据阶段I和II得到特征子集：FIR网络根据上述训练过程为MLP网络提供最优LPI特征子集M′t+1＝M′t+1,1∪M′t+1,2，然后通过随机局部搜索方法在M′t+1上训练参数： 交替训练FIR网络和MLP网络，直到得到预定的结果为止。

10.根据权利要求1所述的基于深度学习的双神经网络结构预测lncRNA－蛋白质相互* *

作用方法，其特征在于，在完成训练之后，得到最优的FIR网络和MLP网络的参数β和α，利用下面算法对lncRNA‑蛋白质对进行分类：(1)计算梯度 其中

*

(2)找出排名前s的LPI特征，通过 得到m ；

*

(3)基于前述算法得到最优特征子集m；

(4)根据 获取最优LPI特征子集；

(5)用训练好的MLP网络 预测lncRNA‑蛋白质对得到标签。