1.一种基于弗洛伊德算法网络的药物与靶点作用预测方法，其特征在于，采用弗洛伊德算法更新权重进行训练，包括对分子图和蛋白质图数据预处理，提取分子图和蛋白质图的特征，使用弗洛伊德算法网络进行训练和预测四个过程，其具体步骤如下：步骤1、将药物分子与靶点蛋白统一用图结构输入表示，首先基于节点与边特征融合的标准化图构建方法，节点和边均携带对应的特征向量；

步骤2、对于药物分子图特征的提取，将每个原子节点在其局部邻域内的结构特征信息利用哈希函数编码其拓扑结构信息；然后对蛋白质的三维结构信息构建蛋白质结合口袋图进行编码；同时引入进化尺度建模框架的第二代蛋白质序列预训练模型对蛋白质氨基酸序列进行嵌入表示；

步骤3、将数据输入到集成多个弗洛伊德算法神经网络单元中，利用弗洛伊德动态权重更新策略，结合柯尔莫哥洛夫‑阿诺德网络映射模块，在特征传播过程中不断调整特征传递权重，通过可学习的傅里叶基函数展开方式，自动组合多个傅里叶基向量，实现不同特征维度间的长短程交互表达，弗洛伊德算法的实现过程如下：对于每一个嵌入向量 ，每一频率分量分别与可学习权重系数 和 进行逐元素乘积，并累加求和，形成第 个输出维度的特征表达： ； 和 是弗洛伊德系数矩阵中可学习的权重参数， 是偏置项， 是构造傅里叶网格向量

，传递给后续网络层；通过柯尔莫哥洛夫‑阿诺德网络模块对药物和

靶点的特征进行映射和编码，然后通过联合注意力机制对它们进行交互和集成；

步骤4、将步骤3计算得到的相似性得分通过S型生长曲线进行非线性归一化处理，将其转换为区间[0,1]内的标准化概率值，作为最终预测结果。

2.根据权利要求1所述的一种基于弗洛伊德算法网络的药物与靶点作用预测方法，其特征在于，实现药物分子与靶点蛋白的统一图结构输入，分子图和蛋白质图预处理的实现过程如下：将每个药物分子表示为一个二维无向图结构 ，其中节点集合 表示分

子中的原子，边集合 表示原子之间的共价化学键；在蛋白质图中，将每个靶点蛋白表示为蛋白质口袋图 ，其中节点集合 表示蛋白质残基，边集合 表示残基之间的相互作用或结构连接关系；对药物图的节点特征，包括：常见的17种分子类型，原子形式电荷，表示是否带电荷；自由基电子数对；对于分子的边特征，包括单键、双键、三键、芳香键；判断是否为共轭键；该键是否构成环结构的一部分；判断6种杂化轨道类型sp, sp2, sp3, sp3d, sp3d2, 其它；对于蛋白质图节点特征，包括标准的20种天然氨基酸；为反映残基内部结构的紧凑性与构象分布，提取该残基内所有原子对之间的最大与最小缩放距离；

同时补充三组特定原子间的距离 与  ， 与 N，C 与 N；然后进一步结合蛋白质的空间构象信息，提取每个残基的主链与侧链构象角，包括主链扭转角，以及侧链第一个 角；

对于蛋白质图的边特征包含四类结构性边特征，包括两个残基是否构成结构连接； 原子间的缩放距离；残基中心点间的缩放距离；残基所有原子对之间的最大空间距离。

3.根据权利要求1所述的一种基于弗洛伊德算法网络的药物与靶点作用预测方法，其特征在于，根据蛋白质图结构，对特定的进化尺度建模框架模型采取特殊处理，蛋白质图的特征提取实现过程如下：将一维蛋白质序列编码为长度为 且维度为 的上下文语义表示矩阵；考虑到进化尺度建模框架的第二代蛋白质序列预训练模型，默认对残基嵌入进行了全局平均操作可能导致特征丢失，对残基级嵌入向量保留其未经平均池化前的输出结果，并自定义进行按长度方向的平均池化，以生成最终的蛋白质表示向量。