1.一种基于深度卷积神经网络的RNA‑蛋白质结合位点预测方法，包括预处理RNA序列、训练卷积神经网络和测试卷积神经网络三个过程，其具体步骤如下：步骤1、为了从RNA序列中提取更多的结合信息，需要使用不同长度的窗口分别处理RNA序列，因此，需要首先确定不同的窗口长度；

步骤2、使用不同长度的窗口分别处理RNA序列；对于不等长的RNA序列，当窗口长度大于RNA序列时，使用补足碱基N把RNA序列填充到窗口长度；当窗口长度小于RNA序列时，根据窗口长度把RNA序列分割成多个有部分重叠的等长子序列，子序列不足的RNA序列使用全是补足碱基N的子序列填充；

步骤3、把步骤2中使用不同长度的窗口分别处理好的RNA序列数据通过单热编码的方式编码成多个矩阵；

步骤4、把步骤3中生成的多个单热编码矩阵作为卷积神经网络的输入，训练多个卷积神经网络模型；

步骤5、保存训练好的多个卷积神经网络模型；

步骤6、使用步骤5中保存好的模型来预测输入的RNA序列数据。

2.根据权利要求1所述的一种基于卷积神经网络的RNA‑蛋白质结合位点预测方法，步骤1的实现过程如下：

确定处理RNA序列所使用的不同窗口长度：将501个核苷酸的长度作为初始窗口长度MaxL；其余窗口长度分别以MaxL为初始长度递减核苷酸个数为X的整数倍；考虑到模型的预测性能以及模型训练的和测试时间，X的值确定为50，窗口的最小长度MinL为101个核苷酸；

窗口的个数P根据公式 (1) 确定：不同窗口的长度W根据公式 (2) 确定：其中，i是窗口长度编号，最终产生P个不同长度的窗口。

3.根据权利要求1所述的一种基于卷积神经网络的RNA‑蛋白质结合位点预测方法，步骤2的实现过程如下：

使用步骤1中产生的P个不同长度的窗口分别处理RNA序列；根据L1计算卷积神经网络的输入频道数量Q1，根据L2计算卷积神经网络的输入频道数量Q2；例如：当窗口长度大于L1时，根据公式 (3) 计算Q1 = 1，即卷积神经网络的输入频道数量是1，使用补足碱基N把L1填充到窗口长度作为一个频道；此时，窗口长度必定大于L2，根据公式 (3) 计算Q2 = 1，使用补足碱基N把L2填充到窗口长度作为一个频道；当窗口长度小于L1时，把L1根据窗口长度分割成Q1个有部分重叠的等长子序列，根据下面的公式 (3) 计算Q1；L2也根据窗口长度分割成Q2个有部分重叠的等长子序列，根据公式 (3) 计算Q2，如果Q2 < Q1，则使用Q1 ‑ Q2个等于窗口长度的全是补足碱基N的子序列作为填充，此时卷积神经网络的输入频道数量等于Q1；

其中，L是RNA序列长度，W是窗口大小，S是窗口之间的重叠长度，当剩余RNA碱基数量大于10时，从后向前截窗口大小的长度作为一条子序列。

4.根据权利要求1所述的一种基于卷积神经网络的RNA‑蛋白质结合位点预测方法，步骤3的实现过程如下：

把步骤2中根据P个窗口长度处理好的P组RNA序列根据公式 (4) 处理得到P个单热编码矩阵，假设n个核苷酸长度的RNA序列 ，则RNA序列S的单热编码矩阵M表示为：

其中，i是核苷酸的索引，j是单热编码矩阵中对应的A,C,G,U的索引，补足碱基N在单热编码矩阵中使用 [0.25,0.25,0.25,0.25] 表示。

5.根据权利要求1所述的一种基于卷积神经网络的RNA‑蛋白质结合位点预测方法，步骤4的实现过程如下：

卷积神经网络模型使用步骤3中处理好的P个单热编码矩阵作为输入，每个矩阵都训练一个卷积神经网络模型，每个卷积神经网络模型包括两个隐藏层、一个全连接层和一个输出层；两个隐藏层参数的设置除了卷积核大小不同，其余参数都相同；两个隐藏层的卷积核大小分别是 (4，10)、(1，10)，都进行归一化操作和使用ReLU激活函数，池化层大小都是 (1，3)，第二个隐藏层的输出以0.25的概率进行Dropout操作；全连接层有200个节点，使用ReLU激活函数，并且全连接层的输出以0.25的概率进行Dropout操作；输出层有2个节点，使用Sigmoid激活函数。

6.根据权利要求1所述的一种基于卷积神经网络的RNA‑蛋白质结合位点预测方法，步骤5的实现过程如下：

保存步骤4中训练好的P个卷积神经网络模型，用于预测输入的RNA序列数据。

7.根据权利要求1所述的一种基于卷积神经网络的RNA‑蛋白质结合位点预测方法，步骤6的实现过程如下：

把输入的RNA数据重复步骤1‑3得到P个单热编码矩阵，把单热编码矩阵输入到步骤5保存的P个模型中，每个模型得到一个预测结果，输入的RNA序列的最终预测结果取P个模型预测结果的平均值。