Мета. Розробка, оптимізація та апробація ефективних in silico моделей прогнозування нейропротекторних та анксіолітичних властивостей сполук природного походження на прикладі шоломниці байкальської (Scutellaria baicalensis). Методи. Побудова моделей машинного навчання. Результати. Розроблено три моделі машинного навчання, побудовані із застосуванням алгоритмів Random Forest, XGBoost та LightGBM, для прогнозування нейропротекторної та анксіолітичної активностей природних сполук. Побудовані класифікатори досягли точності на рівні 75–78%. Запропоновано підхід бінарної класифікації із залученням молекулярних дескрипторів і структурних фінгерпринтів, який після обробки та оптимізації дозволяє виявляти сполуки з потенційною нейропротекторною активністю. Обґрунтовано ефективність застосування методів in silico моделювання для прогнозування нейропротекторних та анксіолітичних властивостей сполук S. baicalensis. Застосування моделей до компонентів цього виду засвідчило їхню здатність верифікувати вже відомі біологічно активні речовини: з 78 досліджених сполук 46 були ідентифіковані як потенційно активні. Висновки. Застосування in silico прогнозування нейропротекторних властивостей біоактивних сполук є перспективним для скринінгу фітокомплексів, зокрема у фармації та медицині — для профілактики та підтримки при ПТСР і нервових розладах.