1.一种基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，包括：

1 1

对包含N ‑甲基腺苷修饰位点的RNA碱基序列为正样本和不包含N ‑甲基腺苷修饰位点的RNA碱基序列为负样本，每个样本取3组不同尺度的RNA碱基序列作为输入序列；

对3组输入序列均依次进行word2vec词嵌入编码和位置编码；

将编码后的3组序列输入到编码模块中，获得特征矩阵；其中，所述编码模块包括：多个依次串联的编码块；所述编码块包括：一个多尺度交叉注意力层和一个前向反馈全连接层，且每层之间通过残差连接和标准化层处理；

将经过编码模块的输出结果求平均值，后经过全连接神经网络层和两分类器，预测人1

类物种RNA碱基序列中是否包含N‑甲基腺苷修饰位点；

所述多尺度交叉注意力层，包括：

序列a进行自注意力计算的同时，序列a分别与序列b、序列c进行交叉注意力计算，交叉注意力是指第一个序列用作查询query输入，另一个序列用做键key输入和值value输入，进行注意力计算；将3种注意力的输出结果加起来作为交叉注意力层的输出，实现多尺度交叉注意力层；

所述多尺度交叉注意力层中的交叉注意力机制算法，包括：多个相同维度不同尺度的独立序列，其中，第一个序列用作查询query输入，剩下序列分别与第一个序列进行注意力计算，即剩下序列在进行注意力计算时，用做键key输入和值value输入；其具体包括：一个序列为序列a，另一个序列为序列b，序列a做查询输入，序列b中每个键与值对应；

将序列a的查询与序列b的键之间先做矩阵相乘再做放缩，产生一个注意力得分；使用softmax函数对注意力得分做归一化处理，得到每个键的权重，将权重矩阵相乘序列b的值得到交互注意力输出，其对应的等式如下：其中，softmax的作用是对向量做归一化，即对相似度的归一化，得到了一个归一化之后的权重矩阵，矩阵中，某个值的权重越大，表示相似度越高；Qa是序列a查询向量、Kb是序列Tb键向量、Vb是序列b值向量，dk为序列b键向量的维度大小，Kb 为序列b键向量的转置；当输入序列为X时，首先使用线性投影将序列X转换成Qx、Kx、Vx,它们都是从同样的输入序列X线性变换而来的，通过以下等式表示：Q

Qx＝XW

K

Kx＝XW

V

Vx＝XW

Q K V

上式中，W ,W ,W是对应的投影矩阵,其值最初随机初始化，最终值由网络自己学习得到；

所述多尺度交叉注意力层的算法，包括：

将多尺度交叉注意力机制中的不同序列的查询、键和值分别h次线性投影到dk、dk和dv维度上，其中dv为值向量V的维度大小，在每个查询、键和值的投影版本上，并行执行交叉注意力机制，产生dv维度的输出值；将以上h次集成交叉注意力的输出值拼接起来，再次投影到线性网络，产生最终值；即所述多尺度交叉注意力层对应的数学公式形式如下：O

MultiHead(Q,K,V)＝Concat(head1,...,headh)W其中，Concat为对多个多尺度交叉注意力的输出headi拼接，i取值正整数，代表第i头O数，W为多个多尺度交叉注意力拼接的权重，Qa是序列a查询向量，Ka、Kb、Kc分别是序列a键向量、序列b键向量、序列c键向量、Va、Vb、Vc是序列a值向量、序列b值向量、序列c值向量；

一个序列为序列a，另一个序列为相同序列a，序列a做查询输入，序列a中每个键与值对应，此时做自注意力机制， 代表此时查询向量Qa的权重， 代表此时键向量Ka的权重，代表此时值向量Va的权重，三个权重最初随机初始化，最终值由网络自己学习得到；一个序列为序列a，另一个序列为相同序列b，序列a做查询输入，序列b中每个键与值对应，此时做注意力机制， 代表此时查询向量Qa的权重， 代表此时键向量Kb的权重， 代表此时值向量Vb的权重，三个权重最初随机初始化，最终值由网络自己学习得到；一个序列为序列a，另一个序列为相同序列c，序列a做查询输入，序列c中每个键与值对应，此时做注意力机制， 代表此时查询向量Qa的权重， 代表此时键向量Kc的权重， 代表此时值向量Vc的权重，三个权重最初随机初始化，最终值由网络自己学习得到，且R为代表

集合实数集，实数集是包含所有有理数和无理数集，此处dk＝8；dv为值向量V的维度大小，此处dv＝8；dmodel为输出维度，此处dmodel＝64；

以上公式，使用h＝8个并行注意力层或头，对于其中的每一个，使用dk＝dv＝dmodel/h＝

8。

2.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，还包括：构建数据集；

所述数据集包括：RNA碱基序列为正样本、RNA碱基序列为负样本和类别标签，且样本长度是41bp；输入序列设为序列a、序列b和序列c，其分别是长度为xbp、ybp、zbp不同尺度序列组成的集合；

所述数据集的训练集与测试集表示为：

其中，yn∈{0,1}, 分别表示样本长度为xbp、ybp、zbp不同尺度的辅助序列，辅助序列是以序列中心为中心点左右截取不同尺度的序列。

3.如权利要求2所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述每个样本取3组不同尺度的RNA碱基序列作为输入序列，包括：数据集中样本序列是以共同基序A为中心，前后取值窗口为大小不同的bp，x1bp、y1bp、1

z1bp共3个不同大小，即每个m A正样本/负样本由xbp、ybp、zbp组成，当样本序列在某些位置不存在碱基时，缺少碱基使用‘‑’字符填充；此处x1＝10，y1＝15，z1＝20，因此，x＝21，y＝31，z＝41。

4.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述word2vec词嵌入编码，具体包括：利用大小为3个碱基的窗口，每次滑动1个碱基的形式，在每条样本序列上滑动，直到窗口碰到序列最末端时滑动结束，由此会获得105种不同的子序列和唯一的整数序列组成的字典；

针对不同尺度的样本序列，分别使用word2vec的CBOW模型编码RNA序列；对于41个碱基的样本，利用大小为3个碱基的窗口，每次滑动1个碱基的形式，在每条样本序列上滑动，直到窗口碰到序列最末端时滑动结束，由此，得到39个由3个碱基组成的子序列，使用word2vec的CBOW模型编码RNA序列，因此，每个子序列被转换成表征语义的词向量，再利用得到的词向量将RNA碱基序列中长度为41bp转换成39*100的矩阵，其中，39为预处理时词的个数，100为词向量维度。

5.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述编码模块包括：3个依次串联的编码块。

6.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述编码模块包括：其输出的维度dmodel＝64，多头数h＝8，前向反馈网络维度d_ff＝256，暂时从网络中丢弃的概率为dropout＝0.1。

7.如权利要求1所述的基于多尺度交叉注意力模型的RNA修饰位点预测方法，其特征在于，所述前向反馈全连接层，包括：两个线性变换，中间有一个Relu激活函数；所述前向反馈全连接层对应的数学公式形式如下：FFN(x)＝max(0,xW1+b1)W2+b2

公式中，W1、W2、b1和b2分别为反馈全连接层的参数；max()即代表了ReLU激活函数。