蛋白质翻译后修饰(Post-translational modification,PTM)之间的相互作用在调节蛋白质活性、细胞信号转导、基因表达以及蛋白质-蛋白质相互作用等生物学过程中发挥着至关重要的作用,研究这类相互作用有利于深入阐明由PTM介导的调控机制。通过实验方法检测PTM相互作用耗时费力,而计算方法的开发则有望弥补实验技术的不足。现有大多数的计算研究主要依赖于序列层面的残基关联特征来开发预测模型,忽略了PTM相互作用位点的结构信息和单个残基的特性,从而阻碍了预测精度的提升。因此,开发新算法以克服现有研究中的局限性显得至关重要。本研究提出了一种基于结构信息的算法(PTM Cross-Talk predictor,PCTpred)来提高预测PTM相互作用的准确性。该算法首先在蛋白质序列和结构层面设计了一系列残基关联特征(如共进化信息、共定位信息等)和独立残基特征(如致病性分数、拉普拉斯拓扑指标等),通过比较分析发现正负样本在基于残基对和残基的特征上均具有显著的差异。然后,利用前向特征选择技术保留了23个新引入的描述符和3个传统描述符,在此基础上分别开发了序列分类器PCTseq和结构分类器PCTstr,并通过权重联合构建了最终的预测模型。基于样本和蛋白层面的评价,PCTpred获得的曲线下面积分别为0.903和0.804。即使在去除样本中的距离偏好或使用模拟的蛋白结构作为输入,本算法的预测性能仍能得到维持或适度降低。对不同类型的PTM相互作用子集和文献收集的共修饰肽段进行测试,PCTpred依旧获得了良好的预测效果,从而展现出较强的泛化能力。与目前最优秀的算法相比,PCTpred在各种类型的评测中均能获得较高的预测精度。PCTpred的源代码和数据集可从以下链接获取https://github.com/Liulab-HZAU/PCTpred。