1.一种基于生成式神经网络模型设计抗体结构和序列的方法，其特征在于，该方法利用公开的实验观测抗原-抗体复合物结构数据集和开源序列模型构建图数据集，搭建基于图消息传播、离散变分自编码器和注意力机制的神经网络并完成网络训练，给定抗原和模板抗体复合物结构，从头生成抗体CDR区域的序列和结构；具体包括以下步骤：1）建立抗原-CDR复合物的图数据集，包括：1a）对公开的抗原-抗体复合物的三维分子实验观测结构数据集进行预处理，得到抗原-CDR复合物的数据集，然后根据CDR序列相似度进行聚类，并拆分为训练集和测试集；1b）对抗原-CDR复合物的三维结构进行图抽象表示，将每个抗原-CDR复合物转换为一个无向异构图G(V, E), 其中V表示节点集，E表示边，V包含两种节点{Vp, Ve}，分别与抗体表位残基或抗原表位残基的Cα原子实际映照；1c）从蛋白质序列预训练模型获取嵌入表征向量作为图节点特征向量；2）利用抗原-CDR复合物的图数据集构建图神经网络编码器，获得包含图整体信息的隐空间表征张量；所述图神经网络编码器由传播层、池化层和线性输出层构成，其中，传播层基于邻域消息传递模型，对每一个图节点以聚合邻域内其他节点的特征向量的模式进行更新其自身特征向量，聚合方式为对所有邻居节点的特征向量经邻域注意力矩阵进行有权相加；池化层基于门控机制，将多个重要节点向量合并为表征图整体的一维向量；该一维向量传入线性输出层，包含激活和归一化运算，获得压缩后的隐空间表征张量；3）构建离散变分采样器，在所述采样器，来自图神经网络编码器的隐空间表征张量z i 被映射到其具有相同大小的最近邻的生成张量 ， 由从可学习密码本中检索的 m 个向量组成；隐空间表征张量 被鼓励使用 L2 损失函数向生成张量 移动， 被鼓励不断逼近由所有临近的隐空间表征张量 组成的集合的中心；4）构建感知抗原表位的基于注意力机制的解码器，所述解码器包含全连接线性层、交叉注意力层和SE(3)等变结构复原层；从采样器输出的生成张量 经全连接线性层处理后，得到与生成序列等维度的抗体特征向量，并加入CDR类型编码作为条件；交叉注意力层用外部抗原条件特征向量来更新抗体特征向量；SE(3)等变结构复原层包含了与Euclidean空间中的变换符进行运算，直接从抗体特征向量获得CDR序列与三维坐标；至此，完成编码器-采样器-解码器的生成网络构建；5）生成网络与亲和力预测网络的训练：用步骤1）预处理得到的抗原-CDR复合物图数据集，完成生成网络训练；利用部分有实验标定数据的抗原-CDR复合物数据，完成预测结合亲和力的监督式网络训练；6）从步骤3）构建的采样器中采样生成新的生成张量，根据步骤1c）所述方法获得目标抗原的特征向量，二者同时输入步骤4）构建的且已训练完成的解码器，获得全新生成的抗体CDR区域三维结构和序列。
2.如权利要求1所述的方法，其特征在于，步骤1a）中的预处理包括：从结构数据集中排除纳米抗体、未结合抗体以及以糖分子或核酸为抗原的抗体；以抗体柔性区域整体分辨率为标准，过滤掉低于8埃的结构；对于抗原与多个抗体结合的复合物结构，将每个文件拆分成多个文件，每个文件只包含一对抗体及其结合的抗原链；在获得的每对结构中，对抗体分子按照Chothia标准重新编号，将CDR区域剪切出来，并与结合的抗原链一起构成新的复合物，即抗原-CDR复合物。
3.如权利要求1所述的方法，其特征在于，在步骤2）中，传播层将图节点的向量 经聚集邻域节点向量得到更新，执行操作为： ;其中， 代表层序号， i 、 j 代表节点， 代表单个节点的向量， W 0 、 W v 代表不同的权重矩阵， 代表邻域所有点的集合， α 代表邻域注意力矩阵，其计算方式如下： ;其中 softmax 代表归一化指数函数，用于获取最终最大权重的目标氨基酸； W q 、 W k 代表两个可训练的权重矩阵， d v 代表节点向量维度；池化层从所有CDR节点中获得抗原-CDR复合物图的整体表示向量 h pool ，计算方式如下： ;其中， W g 代表可训练的权重矩阵， ； N cdr 代表CDR区域节点的数量。
4.如权利要求1所述的方法，其特征在于，在步骤3）中，L2损失函数的具体形式为： ;其中， 代表梯度回传停止，用于更新隐空间表征张量z i ； β 设置为0.1； 代表临近生成张量 的隐空间表征张量z i, j 的数目； EMA 代表指数移动平均。
5.如权利要求1所述的方法，其特征在于，步骤4）所述解码器中的全连接线性层，将采样得到的生成张量经多层感知机变换后获得高维度的特征向量 H cdr ，具体形式为：其中，C pe 代表6个CDR区域的独热向量，作为条件与采样生成张量 相加； 代表多层感知机变换； W z 代表可训练的权重矩阵；所述交叉注意力层有两层，在给定抗原表位内的氨基酸与生成抗体特征向量之间，计算多头交叉注意力矩阵，从而将结合面特征信息整合进抗体向量中，具体形式为： ；其中， LayerNorm 代表在同一个多维输入张量内的不同维之间做归一化处理； MHA 代表多头注意力机制； FFN 代表两层全连接线性层，丢弃率为0.1； 和 分别代表抗原条件特征向量和生成抗体特征向量； 代表层序号；所述SE(3)等变结构复原层包含两层不变点注意力层，在抗体主链组成的结构单元之间进行具有SE(3)等变性质的注意力矩阵计算；使用预测的骨架帧和相应的旋转矩阵和平移向量，重建片段的骨架三维坐标；通过全连接线性层和softmax函数将抗体特征向量 H cdr 投影到21维向量，以恢复氨基酸序列内容。
6.如权利要求1所述的方法，其特征在于，步骤5）中所述的亲和力预测网络使用了高斯混合模型，用于对数据集中少量结合自由能标注的数据点做亲和力预测，输入向量为经编码器压缩后的隐空间表征张量，代表后验分布；或者，输入向量为从密码本中采样得到的采样生成张量，代表先验分布。
7.如权利要求1所述的方法，其特征在于，在步骤6）中采用掩码自注意力网络实现采样。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
