预测药物性质是新药研发过程中至关重要的一步。人工实验的方法不仅具有昂贵的成本还需要耗费大量的时间。因此近年来越来越多的计算机技术被应用于辅助药物研发,并取得了不错的结果。但由于化学药物领域涉及的研究范围很广,大量问题还等待人们去解决。其中细胞毒性预测是目前研究的热点问题。本文关注HepG2细胞的毒性预测问题,目前还没有使用深度学习模型进行HepG2细胞的毒性预测的相关研究。由于传统机器学习方法依赖于人工提取特征的质量,而深度学习能够自主学习原始数据里的特征信息,不需要人为的设计特征提取器,使得建立毒性预测模型对工作者的化学知识要求大大降低,同时深度学习已经在众多领域超越传统机器学习算法,取得令人瞩目的成绩,因此,本文使用深度学习方法,来搭建HepG2细胞毒性预测模型。主要工作包括:(1)使用几种最新的深度学习模型搭建毒性预测模型,不断调整超参数。并使用最新的深度学习防止过拟合技术来优化网络,以找到最优模型。(2)选取具有代表性的SVM搭建机器学习毒性预测模型,将深度学习与SVM作对比,分析深度学习相比于传统机器学习模型的优势及特点。实验结果表明所有深度学习模型在几乎所有指标上都优于传统的机器学习模型。(3)在此基础上提出使用集成学习来充分利用各个模型的具有较大差异性的优势,最后与各单一的模型比较以评价集成的有效性。本文以HepG2细胞毒性数据作为基准研究数据,该数据集包含6097个分子的sdf化学分子文件,将分子输入化学专业软件计算后得到的分子指纹特征信息直接送入分类器训练。本文参考大部分论文使用的7:3的比例将数据集随机划分为训练集和测试集。对比分析几种模型结果后,不仅证明了深度学习对比机器学习的优越性,集成思路的有效性和巨大潜力,还分析了调参过程中遇到一些问题,提出一些改进的思路。本文所做工作充实了深度学习在细胞毒性预测领域的研究,为以后的研究发展提供了经验。