1.一种采用渐近式搜索MSA的蛋白质系综预测方法，其特征在于，所述方法包括以下步骤：

1)给定目标蛋白质的序列信息；

2)根据给定的目标蛋白的序列信息，使用MMSeqs生成多序列比对MSA；

3)对于生成的MSA，进行聚类，聚类时去除序列中GAP占比大于设定阈值的序列；

4)对于完成聚类后的子MSA，采用BLAST序列比对方法找出序列中心；

5)使用子MSA中序列中心再次使用MMSeqs生成对应的MSA；

6)对于生成的这组新的MSA，重复上述处理步骤2)至步骤5)的处理流程；

7)将循环得到的多个子MSA合并为一个新的MSA，确保每个初始序列仅对应一个整合后的MSA；

8)移除数据库搜索中重复的序列；

9)对于MSA中序列长度和初始序列不同的序列，使用MAFFT多序列比对工具插入适当的GAP；

10)使用步骤3)的方式聚类，保留GAP占比大于设定阈值的序列；

11)将处理好的多个MSA逐次输入到AlphaFold2中生成蛋白质构象系综。

2.如权利要求1所述的一种采用渐近式搜索MSA的蛋白质系综预测方法，其特征在于，所述3)的过程如下：

3.1)使用DBSCAN进行MSA聚类得到多个子MSA，DBSCAN的聚类判定的两个核心条件是ε和minPts，表示邻域的最大距离和在ε邻域内的最小点数；

3.2)对于DBSCAN聚类方法无法成功聚类的MSA，使用高斯混合模型GMM的期望最大化EM聚类。

3.如权利要求2所述的一种采用渐近式搜索MSA的蛋白质系综预测方法，其特征在于，所述3.2)的过程为：

3.2.1)计算每个数据点xi属于第k个簇的概率：其中，γik表示数据点xi属于第k个簇的后验概率，用来衡量每个簇k对数据点xi的高斯分布所解释的可能性，πk表示每个高斯分布的先验概率，即数据点属于该簇的比例，N是高斯分布的概率密度函数，μk是第k个高斯分布的均值向量，∑k是第k个高斯分布的协方差矩阵，N(xi|μk,∑k)是xi在第k个高斯分布上的概率密度函数值， 表示所有xi被所有K个高斯分布所解释的总概率密度；

3.2.2)更新参数：利用3.2.1)步中计算出的概率，更新每个簇的均值，协方差以及权重：均值：

其中，μk是第k个高斯分布的均值向量， 对所有数据点xi的加权求和，权重是其属于第k簇的后验概率；

协方差：

其中，∑k是第k个高斯分布的协方差矩阵； 是对所有数据点的加权协方差求和，权重是其属于第k簇的后验概率；

权重：

其中，πk是第k个高斯成分的权重，N是总样本数，用于归一化；

3.2.3)反复执行3.2.1)步和3.2.2)步，直到模型的参数，即均值、协方差、权重收敛，即参数的变化非常小，或者达到预设的迭代次数。

4.如权利要求1～3之一所述的一种采用渐近式搜索MSA的蛋白质系综预测方法，其特征在于，所述4)的过程如下：

4.1)对每对序列运行BLASTP进行比对，计算他们的Bitscore；

4.2)将每个查询序列的比对得分汇总，计算其与其他序列的平均比对得分；

4.3)得分最高的视为序列中心。

5.如权利要求4所述的一种采用渐近式搜索MSA的蛋白质系综预测方法，其特征在于，所述4.1)的过程为：

4.1.1)BLASTP是一种用于蛋白质序列比对的工具，是BLAST工具家族的一部分，它通过对比输入的蛋白质序列与数据库中的蛋白质序列，来寻找局部相似性，并计算它们的比对得分；

4.1.2)Bitscore是BLAST比对结果中的一个重要评分指标，用于衡量两条序列之间的相似性；

′

其中，S 是标准化比对得分，用于衡量两条序列之间比对的显著性，S是原始比对得分，反映两条序列的比对质量，λ是统计比例系数，使得比对得分具有统一的尺度，K是统计校正因子，将比对的显著性标准化，使得在不同背景下比对结果具有可比性。

6.如权利要求1～3之一所述的一种采用渐近式搜索MSA的蛋白质系综预测方法，其特征在于，所述9)的过程如下：

9.1)首先读取所有输入的A3M文件并提取序列；

9.2)然后，使用MAFFT对这些已调整长度的序列进行比对，MAFFT会根据序列的差异，自动在对齐过程中添加必要的GAP，如果在某些位置，序列之间存在缺失，MAFFT会在这些位置插入GAP，以便所有序列能够在这些位置上对齐；

9.3)MAFFT输出的对齐结果会包含插入的GAP，这些GAP代表了序列在该位置上没有相应的氨基酸或核苷酸，对齐后的序列会被写入输出文件中，确保所有序列的长度一致并对齐。

7.如权利要求1～3之一所述的一种采用渐近式搜索MSA的蛋白质系综预测方法，其特征在于，所述3)和10)中，设定阈值为25％。