近年来,国际非法药物市场上不断增加并被滥用的新精神活性物质(New Psychoactive Substances,NPS)对全球的公共卫生健康带来了一系列挑战。另一方面,对这类物质的鉴定需要进行大量的实验研究,从而导致耗费大量的人力和物力。为了能够对这些NPS进行快速的甄别,辅助毒理学家或法医学家快速地了解新物质,可以通过计算的方法构建可靠的定量构效关系模型(Quantitative Structure-Activity Relationships,QSAR)。定量构效关系研究(QSAR)搭建了化学和生物学之间的桥梁,利用统计学方法定量的将化合物的分子结构与其生物活性或其它性质联系起来,从而研究化合物的结构片段或性质描述符对其活性的影响。实验数据的不断增加和计算机相关学科的发展,极大的促进了QSAR模型在例如药物设计、环境学、毒理学等领域的应用,并取得了较好的结果。论文第一章首先简要介绍了新精神活性物质的背景知识,强调了在对NPS的快速鉴定上存在的困难,接着概述了QSAR模型的发展历史,介绍了QSAR建模的一般流程,常用于建模和模型评估的方法以及对模型的可解释性研究,最后综述了QSAR模型在精神活性物质领域的应用。第二章首先介绍了苯二氮卓(Benzodiazepines,BDZ)类物质作为药物开发的机理以及相关的生物学背景,强调现有预测模型几乎都是针对结合在GABA_A受体上化合物的活性,而忽略了GABA_A受体BDZ位点上结合的化合物作用模式的差异。为了能够更好的区分在BDZ位点上的激动剂和非激动剂,我们通过收集数据并计算分子描述符,发展了机器学习分类模型,该模型能够以较高的精度区分激动剂和非激动剂,最后针对建立的模型进行了可解释研究,发现一些对激动剂比较重要的子结构片段,这有助于后面的合理药物设计。第三章首先介绍了合成大麻素类(SCs)新精神活性物质的相关背景以及对人体的危害性,强调了对SCs与大麻素1型(CB1)受体结合亲和力值预测的重要性,接着简述了QSAR模型在预测与CB1受体结合的化合物活性方面的研究进展。在此基础上,我们在Ch EMBL数据库中收集了相关数据,然后计算8种分子指纹来表征化合物,构建QSAR回归模型,最后挑选预测性能最好的模型对未知活性SCs的结合活性值进行预测,初步判断这些物质的生物活性及评估其滥用潜力。全文主要内容是通过机器学习的方法构建系列QSAR模型,然后将模型应用到中枢神经系统中与GABA_A受体和CB1受体结合物质的活性值预测上。一方面构建的QSAR模型可以应用到药物的筛选中,另一方面则可以辅助判断新精神活性物质的活性和潜在滥用性,为毒理或法医学家对这类物质的研究与管控提供参考。