1.一种基于深度对比学习的激酶药物相互作用预测方法，其特征在于，通过计算药物与靶标的相互作用，获得更好的预测模型，快速识别潜在的药物靶点相互作用，将药物分子向量和靶标蛋白质向量放在同一空间下进行训练，包括药物与靶标投影器的预处理、计算药物分子和靶标蛋白质特征相似性、基于对比学习的神经网络的训练和预测四个过程，其具体步骤如下：步骤1、将药物数据和靶标蛋白质数据各投影到一个潜在空间中，每个投影器都包含两个卷积层，两个全连接层和一个激活函数；处理药物分子数据时，构建两个卷积层和第一个全连接层；第二层设置一个全连接层，不改变数据的维数；处理靶标蛋白质数据时，构建两个卷积层和第一个全连接层，不改变数据的维数；第二层设置一个全连接层，不改变数据的维数；将药物分子数据和靶标蛋白质数据输入到对应的投影器中，得到潜在空间中的药物分子嵌入向量和靶标蛋白质嵌入向量；

步骤2、将靶标蛋白质嵌入向量通过双向长短时间记忆网络进行处理，得到每个时间输出和最终的隐藏状态；将最终的隐藏状态进行维度变换和压平操作，得到与药物分子嵌入向量相同的潜在空间维度；构建一个全连接层和激活函数进行映射，得到在潜在空间中更好捕捉靶标蛋白质特征的表示；通过构建全连接层和激活函数，得到靶标蛋白质的隐藏状态，将靶标蛋白质嵌入向量的维度映射到与药物分子嵌入向量相同的潜在空间维度上；然后将处理后的药物分子嵌入向量和靶标蛋白质嵌入向量传递给药物投影器和靶标投影器，并通过批标准化层进行规范化处理，并输入到余弦相似度函数：返回余弦距离度量计算得到的药物分子和靶标蛋白质嵌入之间的相似度或亲和度；

步骤3、将步骤2中处理后的靶标蛋白质嵌入向量和药物分子嵌入向量输入基于对比学习的并行神经网络；输入靶标蛋白质数据，构建一个全连接层，构建Dropout层用于正则化，以50%的概率丢弃部分神经元的输出；输入药物分子数据，设置一个全连接层和一个Dropout层，以20%的概率丢弃部分神经元的输出，将处理后的数据使用广义的Sigmoid 激活函数：步骤4、将需要预测的药物分子和靶标蛋白质嵌入数据经过步骤1分别输入到对应的药物数据投影器和靶标数据投影器中，输入到步骤3中保存好的模型，得到药物分子向量和靶标蛋白质向量，再通过计算余弦相似度返回药物分子嵌入和靶标蛋白质嵌入之间的相似性，作为激酶药物相互作用的结果，预测其所属类别。

2.根据权利要求1所述的一种基于深度对比学习的激酶药物相互作用预测方法，其特征在于，将药物分子向量和靶标蛋白质向量通过卷积层和线性层预处理得到投影器，再将数据输入到投影器中训练，投影器预处理的实现过程如下：将药物数据和靶标数据各投影到一个潜在空间中，每个投影器都包含两个卷积层，构建两个卷积神经网络，两个卷积层卷积核大小都是3×3，使靶标蛋白质嵌入向量的维度映射到与药物分子嵌入向量相同的潜在空间维度上，得到药物投影器和靶标投影器。