1.一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，其特征在于，所述方法为深度神经网络框架(CHR)法，具体包括以下步骤：(1)搭建集成深度神经网络框架：由CBAM和HS‑ResNet两种网络集成得到深度神经网络框架；

(2)数据集的选取：训练集和独立测试集；

(3)使用二维特征和三维特征作为网络的输入特征；

其特征在于，所述二维特征包括独热编码(one‑hot)、PsePSSM和PSSM‑composition混合矩阵构成改性位置特异性计分混合矩阵和PsePSFM和PSFM‑composition混合矩阵构成改性位置特异性频率的混合矩阵；

其特征在于，所述三维特征为精度矩阵；

(4)使用步骤(1)搭建的集成深度神经网络框架在数据集上学习预测模型；

(5)模型参数设置；

(6)将待测蛋白质序列输入模型，得到该蛋白质序列的预测结果。

2.根据权利要求1所述一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，其特征在于，其特征在于所述数据集包括T3数据集和T4数据集。

3.根据权利要求2所述一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，其特征在于，所述T3数据集均是截取的N端100个残基，T4数据集均是截取的N端50个残基和C端

100个残基。

4.根据权利要求3所述一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，其特征在于，所述独热编码(one‑hot)、位置特异性计分矩阵(PSSM)和位置特异性频率矩阵(PSFM)是通过HHblits程序在uniprot_sprot database搜索同源序列，然后构建出多序列比对(MSA)，最后计算得出。

5.根据权利要求4所述一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，其特征在于，所述精度矩阵可以直接协同进化信息。

6.根据权利要求1所述一种高效预测革兰氏阴性菌Ⅲ型和Ⅳ型效应蛋白的方法，其特征在于，所述深度神经网络框架(CHR)是由一系列改进的残差模块组成的，其中每个残差模块主要由1×1的卷积核、CBAM、Hierarchical‑Split Block以及全连接层组成。