计算机辅助药物发现使用计算方法来识别和优化药物候选物。虚拟筛选通过计算评估大型化合物库对靶标结构或药效团的匹配度，选择化合物进行实验测试。它通过将实验资源集中在最有希望的候选物上，降低了药物发现的成本和时间。

基于结构的虚拟筛选使用靶蛋白的三维结构。分子对接预测每种化合物在靶标结合位点的结合姿态和亲和力。对接算法采样配体构象和取向，评分函数估计结合自由能。常见的对接程序包括AutoDock Vina、Glide、GOLD和Dock。

对接的成功取决于蛋白质结构的质量、适当的准备（包括质子化状态分配和水分子放置）以及评分函数的准确性。使用多个评分函数的共识评分可提高命中率。对接后分析包括结合姿态的目视检查和相互作用分析。

基于配体的虚拟筛选不需要靶标结构。药效团模型捕获活性所需官能团的基本空间排列。定量构效关系模型将分子描述符与生物活性相关联。使用分子指纹的相似性搜索识别与已知活性分子相关的化合物。

机器学习方法已改变了计算机辅助药物发现。随机森林、支持向量机和深度神经网络预测活性、毒性和ADME性质。在分子图上操作的图神经网络捕获结构信息用于性质预测。生成模型包括变分自编码器和生成对抗网络设计具有所需性质的新型化学结构。

先导化合物优化使用自由能微扰和热力学积分指导结构修饰。这些方法计算相关化合物之间的相对结合亲和力，精度接近实验误差。炼金术自由能方法越来越多地用于先导化合物优化。

应用已产生已批准药物，包括使用基于结构方法设计的HIV蛋白酶抑制剂。虚拟筛选识别出激酶、GPCRs和酶的新型先导化合物。计算机ADME预测减少后期淘汰率。