蛋白质翻译后修饰促使多肽链与新的功能基团共价结合,极大地扩展了蛋白质组的多样性,可以决定蛋白质的活性状态,亚细胞定位及与其他蛋白质的相互作用。蛋白质翻译后修饰在许多细胞事件中处于核心地位,许多疾病的发生与其有着直接的联系。尽管蛋白质的翻译后修饰对其生物学功能至关重要,但是由于缺乏合适的方法,它们的大规模研究一直受到了阻碍。实验方法费时、费力,难以应对蛋白质一级结构数据的快速增长。因此,发展计算方法识别蛋白质翻译后修饰位点,并研究其与疾病的关系显得尤为迫切。本论文以随机森林算法为基础,提出了一系列方法对人类蛋白质翻译后修饰位点及其与疾病的关系进行研究。主要内容如下:1.利用蛋白质的序列信息及氨基酸的理化性质,基于随机森林算法,开发了人类蛋白质羟基化位点预测工具HydLoc。训练数据集上的留一法交叉验证结果表明,HydLoc对于羟基化脯氨酸和赖氨酸的预测准确率分别达到了84.25%和80.61%。独立测试集的结果显示,HydLoc对于羟基化脯氨酸和赖氨酸的预测准确率分别达到了90.74%和81.25%,优于现有的方法。2.通过选取更加可靠的负样本,采用随机森林建模,建立了人类蛋白质磷酸化酪氨酸位点的识别方法。留一法结果显示,该方法对磷酸化酪氨酸的预测敏感性为80.35%,相比于随机选取负样本建模,敏感性提升了15.34%。3.基于磷酸化位点与疾病双层网络,结合随机行走和随机森林算法,提出了识别与疾病相关的蛋白质磷酸化位点的方法RFRW。留一法的结果显示,RFRW对Breast Neoplasms,Alzheimer Disease,Ovarian Neoplasms这三种疾病相关的磷酸化位点预测的AUC值分别达到了0.9285,0.9789,0.9021,优于现有的方法。