目的应用机器学习方法建立甲型流感病毒神经氨酸酶(neuraminidase,NA)抑制剂分类模型,并用于化合物筛选,以提高药物筛选效率。方法利用支持向量机和朴素贝叶斯两种机器学习方法,建立甲型NA抑制剂的分类模型,并对训练集中活性化合物与非活性化合物的比例、分子描述符进行优化,选取最优模型对本实验室化合物库中15 600个化合物的NA抑制活性进行预测,并用NA抑制剂筛选模型对预测结果进行验证。结果发现9个NA抑制剂,其中5个是奥司他韦衍生物,在C-5有一个较大的取代基,对NA(H1N1)和NA(H3N2)具有较强的抑制作用,IC50分别为12.90~185.04 nmol·L-1和18.88~366.10 nmol·L-1;另外4个NA抑制剂具有新的骨架,对NA(H1N1)和NA(H3N2)的抑制作用明显弱于奥司他韦衍生物,IC50分别为39.46~63.83μmol·L-1和44.54~114.06μmol·L-1。结论将机器学习方法用于NA抑制剂的筛选,能有效的提高药物发现效率。本研究中发现的9个NA抑制剂可以作为先导化合物,对其进行结构优化,以期获得活性更强的NA抑制剂。