随着计算机技术的日趋成熟,计算机辅助药物设计已经普遍应用于人们的日常生活中。应用计算机技术可以提高实验成功率,并且能节省大量的时间、资金以及劳动力,为新药研发提供了更广阔的空间。目前,使用计算机辅助药物设计已经成为当今社会人类健康的研究热点。因此,本研究基于化合物的结构使用机器学习算法,以目前有机化合物致心脏毒性为研究对象,建立一个新的预测效果更准确的化合物致心脏毒性预测模型。在预测有机化合物致心脏毒性方面,hERG通道的半抑制浓度(IC50)作为钾离子通道阻断的标志物,是关键的参数指标。在本研究中,我们在分类模型中从包含1865种不同化合物的数据集中计算9种分子指纹和55种2D分子描述符。然后我们使用3种机器学习算法基于计算的分子指纹和分子描述符构建30种化合物致心脏毒性集成模型。在分类模型的结果中,Ensemble-top7模型在五折交叉验证中的结果最好,其准确率达到84.9%,AUC为0.887,并且用外部验证数据集测试了集成模型,其准确率为85.0%,AUC达到0.786。对比文献中所报道的模型结果,我们所构建的Ensemble-top7模型具有更高的预测性能,预测结果更准确。在回归模型的结果中,从包含1631种不同化合物的数据集中计算出55种2D分子描述符,使用同样的三种机器学习算法构建三种回归模型。在回归模型的五折交叉验证中,训练集的R2为0.576,三个验证集的Rpred2分别为0.549、0.681、0.711,通过结果可以表明本研究构建的回归模型可以很好地预测IC50参数,能够对新型化合物进行有效地预测。此外,我们通过随机森林模型计算出几种与化合物致心脏毒性抑制剂相关的化学结构,这些信息极有可能对今后的药物研发与设计提供非常重要的作用和十分有价值的信息。本研究的创新性工作:本研究基于化合物的结构使用三种机器学习算法构建的化合物致心脏毒性预测模型,对比文献中报道的建模方法,我们所建立的集成模型达到较高的预测性能（高于文献中的结果）,且没有发生明显的过拟合现象,可用于预测化合物致心脏毒性。