在每种药物的开发过程中都需要检测其所含化合物是否具有毒性作用,其中细胞毒性由于其对人体潜在的危害进而导致很多药物在研发后期甚至上市之后才被撤回,不仅造成了巨大的经济损失还会对患者造成无法挽回的伤害。因此对于化合物细胞毒性的检测逐渐成为药物开发过程的重要部分。随着传统方法弊端愈发显著和计算机技术的飞速发展,采用计算机模拟对细胞毒性进行预测的方法吸引了越来越多的毒理学研究者。然而,目前该领域还没有取得一个令人满意的研究进展,究其原因是细胞毒性数据集是高通量的并且具有类不平衡问题。在本文中针对典型的AID364数据集的细胞毒性终点,在以十种分子指纹和随机森林算法建立的基础模型上应用了AdaBoost集成方法以及其他六种数据平衡方法以解决类不平衡问题。综合比较五折交叉验证的评估结果之后,发现使用MACCS分子指纹的集成模型是预测性能最优,其AUC为85.2±0.35%,灵敏度为81.8±0.65%,特异度为76.0±0.12%。在外部验证中,AUC为78.8%,灵敏度为55.5%,特异度为78.5%。然后将该模型在其他不同数据量和不平衡程度的数据集上进行验证,同样也表现出了良好的预测性能。本系统以MACCS分子指纹构建的集成模型为核心算法,围绕功能性和非功能性两方面需求,将整个系统分为注册登录模块、数据准备模块、分类预测模块、结果分析模块和系统管理模块。采用Bootstrap和Sweetalert框架使得前端页面简洁美观,熟练运用R和PHP语言使得后端功能流畅强大。整个系统部署在搭载了Linux操作系统的Apache服务器上,经过全面的测试保证了系统的长期运行。