1.一种基于深度神经网络框架的蛋白质残基接触图预测方法，其特征在于，所述预测方法包括以下步骤：

(1)搭建集成深度神经网络框架：由1DResNet、2DDilatedSe‑ResNet和2DDenseNet三种网络集成得到集成深度神经网络框架；

(2)数据集的选取：将PDB25的子集作为训练集，将ASP12、CASP13、CAMEO和mems400作为测试集；

(3)使用一维特征和二维特征作为网络的输入特征；

(4)使用步骤(1)搭建的集成深度神经网络框架在数据集上学习预测模型；

(5)模型参数设置：

(6)将待测蛋白质序列输入模型，得到该蛋白质序列的残基接触图。

2.根据权利要求1所述的蛋白质残基接触图预测方法，其特征在于，所述的训练集和测试集中任何两种蛋白质的序列同一性都小于25％，并且将满足以下条件之一的蛋白质从序列排除：(Ⅰ)序列长度小于26或大于700；(Ⅱ)分辨率低于 (Ⅲ)具有多个蛋白质链组成的结构域。

3.根据权利要求1所述的蛋白质残基接触图预测方法，其特征在于，所述的一维特征包括位置特异性计分矩阵(PSSM)、位置特异性频率矩阵(PSFM)、3态的蛋白质二级结构(SS3)、

3态的溶剂可及性(ACC)和氨基酸理化性质特征(CP)。

4.根据权利要求1所述的蛋白质残基接触图预测方法，其特征在于，所述的二维特征包括直接协同进化信息，MSA矩阵以及成对电势。

5.根据权利要求3所述的蛋白质残基接触图预测方法，其特征在于，所述的位置特异性计分矩阵(PSSM)和位置特异性频率矩阵(PSFM)是通过HHblits程序在uniprot_sprot database搜索同源序列，然后构建出多序列比对(MSA)，最后计算得出。

6.根据权利要求3所述的蛋白质残基接触图预测方法，其特征在于，所述的3态的蛋白质二级结构(SS3)和3态的溶剂可及性(ACC)分别来自于Bi‑LSTM和DSPRED。

7.根据权利要求3所述的蛋白质残基接触图预测方法，其特征在于，所述的氨基酸理化性质(CP)包括疏水性，Grapn形状指数，极化率，范德华规范化体积，无规卷曲Ca化学位移，局部电效应，PK(RCOOH)和Information measure for loop。

8.根据权利要求4所述的蛋白质残基接触图预测方法，其特征在于，所述的直接协同进化信息来自于CCMPred、MSA信息矩阵和成对电势。

9.根据权利要求1所述的蛋白质残基接触图预测方法，其特征在于，所述的

2DDilatedSe‑ResNet和2DDenseNet网络是由一系列dilatedse‑residualblock组成，优选地，所述的2DDilatedSe‑ResNet和2DDenseNet网络由两层卷积层和SE模块构成，卷积层之间为批处理归一化层和ReLU激活，第二次卷积采用空洞率为2的膨胀卷积。

10.根据权利要求1所述的蛋白质残基接触图预测方法，其特征在于，所述的DenseNet网络结构主要由DenseBlock和Transition组成。