稳态分布体积(volume of distribution at steady state,VDss)是药物的一个基本药代动力学参数,可以衡量药物在体内分布的有效性。它可以与清除率一起决定半衰期进而决定给药间隔。然而,稳态分布容积值的获取目前仍然高度依赖于劳动密集且成本高昂的体内和体外实验,这给制药行业带来了沉重负担。尽管出现许多相比于实验方法耗时更少、效率更高的计算研究,但稳态分布容积的预测模型在实践中并没有得到广泛应用,这是因为训练的数据集所涵盖的化学多样性信息有限而导致这些模型的泛化性较差。本文通过收集13篇文献以及Drug Bank数据库中的数据,然后进行数据清洗,最后得到目前最大的VDss数据集。该数据集涵盖更广泛的物理化学信息,化合物的理化性质与已公布的数据集一致,可以作为未来研究稳态分布计算预测的基准数据集。本研究分别用Mordred和Deep Chem计算分子描述符和分子指纹,并进行特征选择以构建预测模型。使用五种机器学习方法用于建立回归模型,网格搜索用于优化超参数,十倍交叉验证用于评估模型。通过模型构建以及优化发现,Mordred特征的模型结果要强于利用分子指纹建模结果。Mordred得到的最佳预测模型为Light GBM,其结果为Q~2=0.837,R~2tes t=0.814,具有较好的稳健性和泛化能力,可用于对VDss的预测。利用自动机器学习（automated machine learning,Auto ML）工具Auto Gluon构建回归模型,这是首次将Auto ML运用于稳态分布容积的预测。此外,分析了特征选择前后以及模型优化前后的准确性和稳定性。分析结果表明,Auto Gluon进行Auto ML建模优化后的模型对VDss有一定的预测作用。与传统的机器学习算法相比,Auto Gluon虽然没有达到目前最好的预测效果,但有效缩短了计算时间。其次,通过对优化前后的模型进行分析,发现大部分机器学习模型经过优化后,预测更加准确,预测能力更稳定。本研究首先整理了人类稳态分布容积目前最大的数据集,接着利用该数据集构建模型,首次将自动机器学习引入人类稳态分布容积预测中,为后续自动机器学习在稳态分布容积中的应用打下基础。最后利用传统机器学习建模,得到稳定性较好的Light GBM模型,为早期药物发现提供有价值的指导。更重要的是,报告的数据集可以作为基准用以促进未来的研究。