蛋白质羰基化（protein carbonylation,PCO）是一种由持续氧化应激诱导的翻译后修饰（post-translational modifications,PTMs）,具有稳定性、不可逆性和相对早期形成的特点。研究发现,蛋白质羰基化可引起蛋白质结构的不可逆变化和原有生物功能的丧失以及细胞和组织功能障碍,进而导致细胞活力下降,甚至细胞死亡。蛋白质羰基化与细胞凋亡、衰老以及一些慢性疾病如慢性肺病和神经退行性疾病如阿尔兹海默症等的病因和发生机制密切相关。因此,蛋白质羰基化作为氧化应激的一个生物标志物,在多种疾病的病理过程和衰老中的作用一直以来备受关注。利用生物化学实验技术可以有效识别羰基化修饰位点,但是成本高、耗时长,并且蛋白质羰基化是一个高度动态过程,具有多种修饰形式,因此如果仅仅依赖于传统的生物化学检测技术来识别蛋白质羰基化位点将会严重限制羰基化修饰位点识别的研究进展速度。目前,随着高通量质谱技术的提升,产生了大量的蛋白质羰基化位点数据,为我们系统地对蛋白质羰基化的研究提供了数据支撑。因此,通过计算方法构建模型高效准确地识别蛋白质羰基化位点,既能为疾病的发生和发展研究提供关键线索,又能为生物实验研究提供有力的工具手段。在本文研究中,首先,我们从已发表的文献中收集经过实验验证的、包含蛋白质羰基化修饰位点的序列数据,经过严格的筛选和数据处理后,构建了一个高质量的基准数据集。接下来,我们比较分析了羰基化位点与非羰基化位点周围氨基酸残基的位置特异性序列特征以及氨基酸理化性质的分布情况,同时提出了一种新的特征编码方法即锥面体三维空间坐标特征来表征序列样本。随后利用随机森林（random forest,RF）算法来构建模型,并基于十折交叉验证评估模型的性能。为了去除冗余的特征,降低特征向量的维度,构建更加具有鲁棒性的模型,我们使用F-score方法进行特征筛选,并采用增量特征选择（increment feature selection,IFS）来确定用于构建模型的最优特征子集。与已有的模型相比,训练集上的十折交叉验证结果和独立测试集的测试结果表明,本文提出的模型对于蛋白质羰基化位点具有更好的预测性能。最终,基于最终得到的预测模型,我们搭建了一个用户友好的在线服务预测器i Car PS,同时还设计开发了一个具有图形界面的本地软件包,链接为http://lin-group.cn/server/i Car PS/,以方便相关研究者的使用。