1.一种基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法，其特征在于，包括以下步骤：步骤S1：对ChIP‑seq数据集中的DNA序列进行容错编码，将原始DNA序列和其二阶容错序列结合并转换为特征向量；

所述步骤S1中容错编码方式包括以下步骤：

步骤S1‑1：对于给定的原始DNA序列，分别使用大小为1和2的滑动窗口对其进行扫描，使用大小为1的滑动窗口进行扫描后，得到长度为L，L＝101bp的序列Seq1，该序列由{A,C,G,T}组成；使用大小为2的滑动窗口扫描后，得序列Seq2，所述序列Seq2的长度＝L‑1，该序列由{AA,AC,AG,AT,CA,CC,CG,CT,GA,GC,GG,GT,TA,TC,TG,TT}组成；

步骤S1‑2：使用通配符*来表示核苷酸的可能变异，即*可以表示{A,C,G,T}中的任何一个，将二核苷酸组成的序列Seq2中位置1处的突变处理为由{*A,*C,*G,*T}组成的序列Seq3，将二核苷酸组成的序列Seq2中位置2处的突变处理为由{A*,C*,G*,T*}组成的序列Seq4；

步骤S1‑3：将序列Seq1、Seq3和Seq4相加，生成容错序列Seq，所述序列Seq的长度＝3L‑

2，它由{A,C,G,T,*A,*C,*G,*T,A*,C*,G*,T*}组成；

步骤S1‑4：将序列Seq中的每个字母都编码为大小12的特征向量A→[1,0,0,0,0,0,0,

0,0,0,0,0],…,T*→[0,0,0,0,0,0,0,0,0,0,0,1]；深度神经网络的输入Si,j由以下等式编码：其中i∈[1,301]，j∈[1,12]；

步骤S2：构建基于多尺度密集连接的深度神经网络；

步骤S3：将全局数据集输入基于多尺度密集连接的深度神经网络进行预训练；

步骤S4：基于步骤S3获得的预训练模型与各个子数据集，进一步对深度神经网络进行迁移学习；

步骤S5：将待预测DNA序列输入步骤S4迁移学习后的深度神经网络，输出对应的DNA序列结合转录因子的概率。

2.根据权利要求1所述的基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法，其特征在于，所述步骤S2中构建基于多尺度密集连接的深度神经网络包括以下步骤：步骤S2‑1：使用原始DNA序列和其二阶容错序列结合并转换为特征向量作为深度神经网络的输入；

步骤S2‑2：首先经过多尺度卷积进行处理，之后经过dense block模块进行处理；

步骤S2‑3：依次执行步骤S2‑2，最后执行全局平均池化，对整个网络的结构进行全连接层，然后连接softmax分类器生成两个标签的概率分布。

3.根据权利要求2所述的基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法，其特征在于，所述步骤S2‑2中经过多尺度卷积处理包括以下步骤：首先使用大小为

1×3、1×5和1×7的三个卷积核进行特征提取，之后使用ReLU激活函数，然后拼接三个分支并使用最大池化层进行进一步的向下采样；

所述步骤S2‑2中经过dense block模块处理包括以下步骤：所述dense block模块包括dense layer，在dense layer中，前一层的输出首先分别通过批归一化层和ReLU层，其次通过1×1卷积，之后通过批归一化层和ReLU层，再通过3个大小分别为1×3，1×5和1×7的卷积层，最后，将三个卷积提取的特征与该层的原始输入特征相结合，形成该层的输出。

4.根据权利要求2所述的基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法，其特征在于，所述步骤S2‑2中dense block模块为3个，每个dense block模块中包括dense layer，所述每个dense block模块中所包含的dense layer的个数分别为6、12和

8，通道超参数设置为96，通道增长率设置为16。

5.根据权利要求1所述的基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法，其特征在于，所述步骤S3中预训练包括以下步骤：步骤S3‑1：通过在四个不同细胞系数据集A549、H1‑hESC、HUVEC和MCF‑7上枚举每个超参数的可能值，以此搜索一组可以确保模型高性能的超参数；

步骤S3‑2：在训练过程中，使用softmax交叉熵函数和随机梯度下降方法对模型进行优化；

步骤S3‑3：将所得的一组可以确保模型高性能的超参数应用于全局数据集的训练中，以获得出色的预训练模型。

6.根据权利要求1所述的基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法，其特征在于，所述步骤S4中迁移训练包括以下步骤：步骤S4‑1：在迁移学习的过程中每个子数据集的学习率设置为0.0004，批处理参数设置为64；

步骤S4‑2：使用预训练模型对690个ChIP‑seq数据集分别执行迁移学习，以便能够更好的拟合具体的子数据集；

步骤S4‑3：使用softmax交叉熵函数和随机梯度下降方法对模型进行优化，对深度神经网络中所有层的参数重新进行调整，并在每个数据集中记录模型的性能。

7.根据权利要求1所述的基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法，其特征在于，所述步骤S5还包括：将待预测DNA序列输入迁移学习后得到的深度神经网络，经过网络的前向计算，输出对应的DNA序列结合转录因子的概率，采用4个评价指标来验证一种基于容错编码及多尺度密集连接网络的转录因子结合位点预测方法的效果，它们分别是准确性Accuracy、精确性Precision、召回率Recall和F1分数F1‑score；

其中，TP、FP、TN和FN分别是真正例true positive、假正例false positive、真反例true negative和假反false negative。

8.一种基于容错编码及多尺度密集连接网络的转录因子结合位点预测的系统，其特征在于，包括终端设备，所述终端设备包括处理器和计算机可读存储介质，处理器用于实现各指令，计算机可读存储介质用于存储多条指令；所述计算机可读存储介质存储的多条指令为权利要求1‑7所述的基于容错编码及多尺度密集连接网络的转录因子结合位点预测的方法。