线粒体是真核细胞进行能量代谢的细胞器。许多化学品具有线粒体毒性,可导致线粒体功能紊乱。因此,有必要筛查引起线粒体功能紊乱的化学品。仅通过实验测试的方法,难以满足众多化学品的线粒体毒性筛查需求。有必要发展快速、高效的方法,筛查化学品的线粒体毒性。定量构效关系（QSAR）模型可用于高效筛查和预测化学品的毒性。本论文针对模型训练集数据不平衡、黑箱模型难以对毒性机制进行解释、已有线粒体毒性QSAR分类模型仅能预测线粒体膜电位扰动等问题,引入多种机器学习算法和不平衡数据处理方法,构建了线粒体毒性（包括线粒体膜电位扰动、线粒体分裂和融合抑制和线粒体电子传递链抑制）的QSAR分类模型,并识别了线粒体毒性的警示子结构。主要内容和结果如下:（1）采用5种机器学习算法（随机森林、支持向量机、朴素贝叶斯、逻辑回归和分类回归树）和12种分子结构指纹,构建了线粒体膜电位扰动剂的单个和一致性QSAR分类模型。研究了不平衡数据处理对模型性能的影响。识别了线粒体膜电位扰动化学品的警示子结构。结果表明,对于单个分类模型,随机森林算法构建的模型性能最佳。基于随机森林算法构建的最佳的一致性分类模型的十折交叉验证的平均平衡准确率、受试者操作特征曲线下面积（AUC）、灵敏度和特异性分别为81.8%,89.9%,82.9%和80.7%,外部验证的平衡准确率、AUC、灵敏度和特异性分别为88.3%,94.1%,92.2%和84.4%,表明该模型呈现良好的稳健性和泛化能力,可用于筛查线粒体膜电位的扰动剂。调节阈值的不平衡数据处理方式提高了模型的分类效果。子结构分析的结果表明芳香环、苯酚基团、羧酸基团、硝基、芳基氯基团等是线粒体膜电位扰动剂的警示子结构。（2）采用随机森林、深度神经网络、逻辑回归和伯努利朴素贝叶斯4种机器学习算法和12种分子结构指纹,构建了线粒体融合和分裂抑制剂QSAR分类模型。识别了线粒体融合和分裂抑制剂的警示子结构。对于线粒体融合抑制剂,随机森林构建的模型效果最优,其100次5折交叉验证平均AUC、平衡准确率、灵敏度和特异性分别为82.2%,74.4%,78.4%和70.5%;其外部验证的AUC、平衡准确率、灵敏度和特异性分别为70.8%,65.9%,53.5%和78.3%。对于线粒体分裂抑制剂,逻辑回归构建的模型效果最优,其平均AUC、平衡准确率、灵敏度和特异性分别为81.5%,73.6%,72.6%和74.7%;其外部验证的AUC、平衡准确率、灵敏度和特异性分别为92.5%,72.5%,45.0%和100%。研究结果表明所建模型具有较好的筛查能力,可用于筛查线粒体融合和分裂抑制剂。基于构建的模型,筛查了中国现有化学物质名录中的化学品,结果显示,770个化学物质可能是线粒体融合抑制剂;3709个化学物质可能是线粒体分裂抑制剂。另外,识别了 45个线粒体融合抑制剂警示子结构,包括氨基、嘧啶基团、三嗪基团等;56个线粒体分裂抑制剂的警示子结构,包括苯酚基团、氯代苯基基团等,这些警示子结构可以辅助构建的模型,增加对线粒体融合和分裂抑制的毒性机理理解。（3）采用随机森林、极端梯度提升树和支持向量机算法,以分子结构指纹作为描述符,构建了线粒体电子传递链抑制剂的QSAR分类模型。研究了不同一致性建模策略（包括均值法、最大值法和堆叠法）对模型性能的影响。结果表明,单个分类模型中,随机森林算法构建的模型性能最优,其十折交叉验证平均AUC、平衡准确率、灵敏度和特异性分别为85.2%,77.8%,79.8%和75.8%;外部验证的平均AUC、平衡准确率、灵敏度和特异性分别为86.1%,78.2%,79.8%和76.7%。一致性建模策略分析表明基于随机森林和支持向量机单个分类模型的输出,采用堆叠法构建的一致性分类模型效果最优。综上,本研究针对多种线粒体毒性终点发展了 QSAR分类模型,并识别了线粒体毒性的警示子结构。所建模型和识别的警示子结构可用来筛查化学品的线粒体毒性,为化学品管理决策提供参考数据。