1.一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，包括以下步骤：S1：获取原始化合物数据集，并输入到基于强化学习的图增强模型中；

S2：输入图数据Gn，首先通过三层图卷积神经网络GCNs聚合领域信息和学习节点特征，接着通过第一个多层感知器MLP预测起始节点的概率pn,start，并从概率分布中确定起始节点索引，将此节点标记为an,start；

S3：“广播”串联起始节点与所有节点的特征，使用第二个MLP计算结束节点的概率pn,end，并从概率分布中确定结束节点索引，将此节点标记为an,end；

S4：确定好边的起始节点和结束节点后通过增删连边策略构建新图Gn+1；

S5：计算奖励Rn来评估生成的新图，奖励Rn中的一个部分来自训练后的分类模型g(·)的反馈，另一部分部分来自图规则约束；

S6：用蒙特卡洛策略梯度训练生成器；

S7：重复进行S2到S6过程，直到迭代次数达到预设值N，然后将每一次迭代中Rn大于0条件下生成的新图和全部迭代下Rn均小于0的原始图存储起来作为新图数据集合；

S8：将原始图数据集随机划分为训练集和验证集，接着用新图数据集扩充到原始图数据集，实现数据增强；

S9：用所有的原始训练集和从新图数据集中抽取相同数量的数据训练GIN模型，同时用原始验证集验证GIN模型性能，当验证损失不再呈现下降趋势，仅在小范围波动，则使用早停法停止训练；

S10：训练好模型后，将化学药物分子数据集输入模型中进行药物性质上的分类，实现药物预测功能。

2.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S1中，从图神经网络库PyG的TUDataset中下载化学分子数据集或生物化学数据集，然后将这些化合物数据以图数据形式输入基于强化学习的图增强模型中，其中节点相当于原子，连边相当于化学键，图标签相当于对应化合物的化学属性；

所述步骤S2包括以下步骤：

S2.1：设当前迭代次数为n，n≤N，输入图数据Gn首先通过三层图同构网络GIN聚合领域信息和学习节点特征，得到一个节点特征表示S2.2：节点特征表示 通过第一个多层感知器MLP后得到一个一维节点向量，然后将这个一维节点向量输入softmax函数，获得的一维向量结果表示为起始节点的概率pn,start：S2.3：取概率pn,start中最大值的索引作为起始节点，标记为an,start：an,start＝argmax(pn,start) (3)。

3.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S3包括以下步骤：S3.1：将节点特征 和起始节点特征 以“广播”形式串联，然后输入softmax函数获得一维向量结果表示为结束节点的概率pn,end：S3.2：由于起始节点和终止节点必须保持不同，因此在概率pn,end中需要掩蔽起始节点索引下的数值，设maskn,end为an,start位置之外为1的掩码，对pn,end掩蔽后求概率pn,end中最大值的索引作为结束节点，标记为an,end：an,end＝argmax(pn,end·maskn,end) (5)。

4.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S4中，选定起始节点和结束节点后，判断原始图中两节点是否有连边；如果在两节点原本相连，则删去他们的连边生成新图，反之则添加连边，生成的新图表示为Gn+1。

5.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S5包括以下步骤：S5.1：计算奖励Rn,f；奖励Rn,f是新图在已训练分类模型g(·)下的反馈，它分中间奖励Rn,f‑mid和最终奖励Rn,f‑final，两者加权求和，α表示最终奖励的权值；

Rn,f＝Rn,f‑mid+α·Rn,f‑final (6)

其中，中间奖励为新图第一次经过分类模型获得原始图类型class(Gn)的预测概率，将其作为反馈更新给图生成器，其计算如公式(7)，其中g(·)由3层图同构网络和一个softmax函数构成，l表示分类模型g(·)的所有可能类总数；

最终奖励为对Gn+1迭代进行S2到S4操作直到到达预设次数m后停止，每一次结果记为Rollouti(Gn+1)，i＝1,2....m；在每次循环中，当S4为添加连边则按中间奖励公式(7)计算奖励，否则奖励值为0；将循环过程中的所有奖励求平均，得到最终奖励Rn,f‑final：S5.2：计算规则奖励Rn,r；对生成的新图Rolloutm(Gn+1)进行规则约束：第一条判定规则为新图是否为生物化合物，如果能在RDkit库中找到对应分子smiles，则返回0，否则返回‑

1；另一条规则为节点的度不能超过节点对应原子的价，满足返回0，否则返回1；

S5.3：奖励Rn表示为如下公式(9)，其中β表示基于规则的奖励权值；

Rn＝Rn,f+β×Rn,r (9)。

6.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S6采用蒙特卡洛策略梯度训练生成器，第n次迭代中的损失函数如公式(10)，其中LCE表示交叉熵损失函数；

Lossg＝‑Rn(LCE(pn,start,an,start)+LCE(pn,end,an,end)) (10)。

7.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S7中重复进行S2到S6过程，直到迭代次数达到预设值N，然后将每一次迭代中Rt大于0条件下生成的新图和全部迭代下Rt均小于0的原始图存储起来作为新图数据集合。

8.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S8包括以下步骤：S8.1：原始化合物数据集按照8:2随机划分为训练集和验证集；

S8.2：将原始图数据集和新图数据集合的特征矩阵和邻接矩阵分别在张量深度方向进行叠加；将原始图数据集和新图数据集合的标签在张量水平方向叠加。

9.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S9中，取所有的原始训练集数据以及增强训练集中后半部分相同数量的数据进一步训练3层GIN分类模型，同时每训练模型一次，就用原始验证集验证分类模型性能；当验证损失不再呈现下降趋势，仅在小范围波动，则使用早停法停止训练。

10.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，所述步骤S10中，应用一种药物性质预测方法，将化学药物领域的数据集输入到训练好的分类模型进行药物性质上的分类，实现药物预测功能，并与同配置的未增强的图分类模型相比较，预测精度明显提升。