1.一种基于深度学习Residue2vec的蛋白质结构预测方法，其特征在于：所述优化方法包括以下步骤：

1)给定输入序列信息；

2)构建模板库中的残基向量：

2.1)从蛋白质数据库网站上下载分辨率小于 的高精度蛋白质，其中 为距离单位， 米；去除相似度大于预设阈值的冗余多肽链，得到非冗余蛋白质模板库；

2.2)通过滑动窗口将非冗余蛋白质模板分割为长度为n的残基；

2.3)通过CBOW模型结合Huffman编码，在神经网络中对残基模型进行建模，同时也获得残基在向量空间中的表示；

2.4)针对查询序列中每个位置上的残基，通过残基向量计算距离来判断残基间的相似性；

2.5)选取与查询序列每个残基位置上距离最近的前N个残基，构建了查询序列的片段库；

3)初始化：最大迭代次数iteration，能量函数选用Rosetta Score3，温度为T，玻尔兹曼常数为k；

4)开始迭代，设置i＝1：

4.1)通过Rosetta Score3能量函数计算构象能量为E1，随机选取构象中某一位置上长度为n的残基，随机从片段库中选一个残基片段将其替换；

4.2)计算片段替换后的残基能量E2，比较E1和E2，若E2E1，则根据概率：P＝e-△E/(kT)接收构象，其中e为自然常数，△E＝E2-E1；

4.3)若构象在连续的预设次数迭代中均未改变时，则提高温度T来改变接收概率，当构象再次被接收时，温度恢复至初始值；

5)i＝i+1，并判断i是否大于设定的最大迭代次数iteration，如果不满足则转至4.1)；

如果满足，则输出结果。