1.一种融合序列及网络嵌入的病毒宿主蛋白‑蛋白相互作用预测方法，其特征在于，包括以下步骤：步骤1：对数据进行预处理；

步骤2：使用Doc2vec方法提取病毒及宿主蛋白质序列特征，对蛋白质序列进行矢量化；

步骤2.1：使用来自SwissProt数据库的长度在30到5000个氨基酸之间的非冗余蛋白质序列，并去除序列相似性>0.5的冗余序列，剩余序列作为训练Doc2vec模型的语料库，训练Doc2vec模型；

步骤2.2：使用训练完的Doc2vec模型获取病毒及宿主蛋白质序列特征，得到病毒及宿主蛋白质序列向量；

步骤3：构建宿主蛋白‑蛋白相互作用网络及病毒蛋白质序列相似性网络；

步骤3.1：根据宿主蛋白质相互作用数据生成宿主蛋白质‑蛋白质之间的相互作用网络；

步骤3.2：利用Smith‑Waterman算法计算各病毒蛋白质之间的相似性，计算方法如下：其中，LS(l(i)，l(j))为针对蛋白质构建的相似性矩阵；sw(l(i)，l(j))表示两个蛋白质序列的相似性；

步骤4：使用Node2vec算法提取上述两个网络的特征，将网络矢量化后与序列特征进行数量积；

步骤4.1：通过超参数p和q来控制随机游走的策略，采样获取宿主蛋白质相互作用网络节点序列,其中两个节点之间的转移概率为：πvx＝αpq(t，x)·ωvx (2)

其中，v是当前的节点，t是v的上一步所在节点，x代表下一步的位置，ω为两节点的边的权重，α为搜索偏置，定义为：其中，p和q为超参数，dtx代表t和x之间的最短距离；

步骤4.2：节点序列通过Skip‑Gram模型得到每个节点的网络特征，计算方法如下：其中： 但由于其计算代价高，采用负采样技术优化；

步骤4.3：将得到宿主蛋白质相互作用网络特征与步骤2得到的宿主蛋白质序列特征进行数量积；

步骤4.4：同样采用步骤4.1和步骤4.2中的方法，对病毒蛋白质序列相似性网络进行网络特征提取，将提取后的网络特征与序列特征进行数量积；

步骤5：根据得到的融合上述两种特征的矩阵，构建长短期记忆网络进行训练，将训练好的模型用于预测。

2.根据权利要求1所述的融合序列及网络嵌入的病毒宿主蛋白‑蛋白相互作用预测方法，其特征在于，所述步骤5具体为：根据得到的融合序列及网络特征的矩阵，构建长短期记忆网络进行学习建模，最终得到预测结果。

3.根据权利要求2所述的融合序列及网络嵌入的病毒宿主蛋白‑蛋白相互作用预测方法，其特征在于，所述长短期记忆网络模型具体为：ft＝σ(wf·[ht‑1，xt]+bf)    (5)it＝σ(wi·[ht‑1，xt]+bi)    (6)Ot＝σ(wo[ht‑1，xt]+bo)    (9)ht＝Ot·tanh(Ct)      (10)式中，ft表示遗忘门，σ是sigmoid函数，w为权重矩阵，h为隐节点，xt为输入数据，b为偏置向，it表示输入门， 表示单元状态更新值，Ct表示当前时刻的单元状态，Ct‑1为上一次的单元状态，Ot表示输出门。

4.根据权利要求1所述的融合序列及网络嵌入的病毒宿主蛋白‑蛋白相互作用预测方法，其特征在于，所述步骤1具体为：步骤1.1：对病毒宿主蛋白‑蛋白相互作用数据和蛋白质序列信息进行预处理，去掉异常值和缺失值；

步骤1.2：根据相互作用数据生成病毒宿主蛋白‑蛋白相互作用矩阵。