1.一种基于深度对比学习的酶功能预测方法，包括蛋白酶序列的预处理、计算成对距离矩阵、三元组采样、基于对比学习的并行卷积神经网络的训练和预测五个过程，其具体步骤如下：步骤1、将蛋白酶序列输入蛋白质语言模型ESM‑2进行预处理，得到特征提取后的酶序列信息，并保存；

步骤2、计算步骤1中预处理后各类酶的聚类中心之间的欧氏距离，并存储为成对距离矩阵；

步骤3、基于步骤2中的成对距离矩阵为神经网络的训练选取三元组，即随机选取一个样本，称为锚，选取一个同类别的样本，称为正样本，选取一个不同类别的样本，称为负样本；

步骤4、把按步骤3中的策略选取的三元组输入基于对比学习的并行卷积神经网络，训练并保存酶功能预测模型；基于对比学习的并行卷积神经网络主要由三个并行的卷积神经网络、两个隐藏层和一个全连接层组成；其中每个卷积神经网络包括一维卷积层、批量归一化层和最大池化层，使用的卷积核大小为3，并在批量归一化操作后使用非线性激活函数ReLU，最大池化层的池化窗口大小和步长都为3，三个卷积神经网络的通道数分别为2、4、4；

三个卷积神经网络并行排列，在每个卷积神经网络后面设置一个隐藏层，使卷积神经网络输出的多维张量转化为一维张量；第二个隐藏层将前面三个隐藏层输出的一维张量进行拼接，并且对拼接后的输出进行随机丢弃Dropout操作，概率设置为0.15；最后一个全连接层‑4的节点数为128；训练时使用的优化器为Adam，初始学习率为5×10 ；使用的损失函数为三重对比损失函数L，其定义为公式 (1) ：                           ⑴

其中 表示锚和正样本之间的欧氏距离， 表示锚和负样本之间的欧氏

距离， 是一个常量，设置为1，max含义为L的值取

 和0的最大值；对比神经网络的训练目标是最小化损

失函数L，使得网络模型映射后的同类样本向量之间的距离最小化，不同类样本向量之间的距离最大化；训练迭代次数为15000，每迭代100次重新计算步骤2中的成对距离矩阵，此时每个样本不仅经过预处理，还要经过网络模型的映射，每个样本由128维的向量表示，使用

128维的样本向量重复步骤2即可得到新的成对距离矩阵；最终保存训练好的网络模型；

步骤5、将需要预测的蛋白酶序列经过步骤1处理后输入步骤4中保存好的模型，以预测其类别。

2.根据权利要求1所述的一种基于深度对比学习的酶功能预测方法，步骤1的实现过程如下：将蛋白酶序列输入蛋白质语言模型ESM‑2，提取蛋白酶序列的特征信息；最终每个样本被转换为一个1280维的向量；保存每个预处理后的样本向量。

3.根据权利要求1所述的一种基于深度对比学习的酶功能预测方法，步骤2的实现过程如下：计算步骤1中预处理后各类酶的聚类中心之间的欧氏距离，并存储为成对距离矩阵；首先计算各个类的聚类中心，即为该类中所有样本的平均向量；其次计算各类平均向量相互之间的欧氏距离，并将它们存储为成对距离矩阵；成对距离矩阵的行数与列数均为类别总数量，矩阵中的每个数字表示其列数和行数所代表的两类之间的欧氏距离。

4.根据权利要求1所述的一种基于深度对比学习的酶功能预测方法，步骤3的实现过程如下：基于步骤2中的成对距离矩阵为神经网络的训练选取三元组，包括三个样本；首先随机选取一个样本，称为锚；其次从该类剩余样本中随机抽取一个样本，称为正样本；最后，在选择负样本时，根据其他类的聚类中心与锚所属类的聚类中心之间的欧氏距离，搜索成对距离矩阵，选择距离最近的类，在该类中随机抽取一个样本作为负样本；锚、正样本与负样本组成一个三元组。

5.根据权利要求1所述的一种基于深度对比学习的酶功能预测方法，步骤5的实现过程如下：将需要预测的蛋白酶序列经过步骤1处理后输入步骤4中保存好的模型，得到一个128‑4维的向量；计算该向量与各类酶的聚类中心之间的欧式距离，选择距离小于1×10 的类作为预测结果。