化學(xué)信息學(xué)是化學(xué)領(lǐng)域中近幾年發(fā)展起來的一個新的分支，是建立在多學(xué)科基礎(chǔ)上的交叉學(xué)科，利用計算機技術(shù)和計算機網(wǎng)絡(luò)技術(shù)，對化學(xué)信息進(jìn)行表示，管理，分析，模擬和傳播，以實現(xiàn)化學(xué)信息的提取，轉(zhuǎn)化與共享，揭示化學(xué)信息的實質(zhì)與內(nèi)在聯(lián)系，促進(jìn)化學(xué)學(xué)科的知識創(chuàng)新。
“應(yīng)用信息技術(shù)和信息處理方法已成為藥物發(fā)現(xiàn)過程中的一個很重要的部分。化學(xué)信息學(xué)實際上是一種信息源的混合體。它可將數(shù)據(jù)轉(zhuǎn)換為信息，再由信息轉(zhuǎn)換為知識，從而使我們在藥物先導(dǎo)化合物的識別和組織過程的決策變得更有效。”——Brown Medicinal， Chemistry, 1998,33,375-384
研究內(nèi)容
 1、化合物登記（compound registration）。這包括將每一個化合物的立體化學(xué)參數(shù)，相關(guān)光譜數(shù)據(jù)（如NMR）、純度數(shù)據(jù)（如HPLC）、各種生物活性測定數(shù)據(jù)等各種相關(guān)數(shù)據(jù)動態(tài)組合在數(shù)據(jù)庫中。
2、構(gòu)效關(guān)系的研究工具和技術(shù)。這包括應(yīng)用各種軟件建立各種構(gòu)效關(guān)系模型，其中使用了各種化學(xué)計量學(xué)方法（如多元統(tǒng)計回歸分析等）。構(gòu)效關(guān)系模型就是關(guān)聯(lián)用數(shù)值表征的分子結(jié)構(gòu)與其生物活性間的相關(guān)性。傳統(tǒng)的QSAR研究是通過自由能將各種獨立變量聯(lián)系起來，即相似性是通過簡單的數(shù)值來度量的。但是，化學(xué)結(jié)構(gòu)之間的相似性度量相對比較復(fù)雜，化學(xué)結(jié)構(gòu)只有在一定描述的空間中才能被度量和比較。如何描述一個化學(xué)分子是相當(dāng)活躍的研究領(lǐng)域，只有在一個正確有效的描述空間內(nèi)才有可能客觀度量分子之間的相似性和差異性，從而進(jìn)行有目的的篩選，并得到一個理想的目標(biāo)分子庫。現(xiàn)在很多人在研究通過二維、三維甚至更高維的藥效團指紋圖譜來表征分子，它與傳統(tǒng)的自由能表述完全不同，其效果更為直觀，新的描述方法如特征樹（feature tree）等也被廣泛應(yīng)用。
3、虛擬數(shù)據(jù)庫組裝技術(shù)（virtual database assembly）。它通過計算化學(xué)方法組合各種基元化學(xué)分子結(jié)構(gòu)和片段，虛擬合成大量的候選化合物，然后在這樣一個虛擬化合物庫中篩選目標(biāo) 藥物分子。上述工作包括采用合適的描述因子和相應(yīng)的算法進(jìn)行計算庫設(shè)計（computational library design）。值得指出，有效的計算庫在分子設(shè)計中往往起關(guān)鍵作用。遺傳算法已成為計算庫設(shè)計的重要工具，它能對一個虛擬庫中各個計算化學(xué)性質(zhì)特性值進(jìn)行優(yōu)化，從而最優(yōu)地接近目標(biāo)。Crame等對庫設(shè)計的背景和外延問題作了闡述，Drewry和Young對庫設(shè)計的各種方法進(jìn)行了全面的總結(jié)。一種基于已知活性片段（對于目標(biāo)受體）的方法被應(yīng)用在單體選擇中。經(jīng)驗表明，庫的設(shè)計應(yīng)建立在產(chǎn)品空間的計算化學(xué)特性值基礎(chǔ)上，而不是在單體空間中。這需要有效的化合物虛擬合成技術(shù)，包括：1.片段標(biāo)記(fragment marking)，2.合成反應(yīng)模擬技術(shù)。合成化學(xué)家一般偏愛后一種，但在分子的各片段都已定義好的情況下，使用前者更加快速。雜交系統(tǒng)(hybrid system)也被用來進(jìn)行庫設(shè)計。這些方法都需要通過模型計算得到化合物的物理化學(xué)性質(zhì)值。James F Blake[18]對藥物的各種性能值，如吸附性、滲透性、水溶性等預(yù)測模型進(jìn)行了評述。
4.數(shù)據(jù)庫挖掘技術(shù)(database mining)。這主要是從大量的候選類藥分子中尋找出所需要的藥物分子，一般通過亞結(jié)構(gòu)（substructure）、2D或3D相似性度量、分子形狀（shape）、框架（framework）、藥效團等來進(jìn)行搜索，或者根據(jù)受體和配體之間的三維結(jié)構(gòu)進(jìn)行藥物三維空間篩選。挖掘技術(shù)的效果既依賴于對目標(biāo)分子的認(rèn)識，如分子三維結(jié)構(gòu)、化學(xué)特性等；也依賴于挖掘工具，如計算速度等。從一個多維特征描述空間中選擇一個子集作為代表集就是所謂分子的虛擬篩選。通過對數(shù)據(jù)集合的研究，Bayada等得出結(jié)論：Ward的二維指紋圖譜對于隨機選擇有最大的改善；但在另一項研究中發(fā)現(xiàn)，分割的化學(xué)結(jié)構(gòu)（partitioned chemical descriptor）描述空間適用于不同的子集篩選，解決了有關(guān) 聚類的技術(shù)。Deborah K.等使用回歸分類法(recursive partition)進(jìn)行藥物篩選，并將其運用到14 G-protein 雙受體檢驗中。
5、統(tǒng)計方法和技術(shù)。統(tǒng)計方法如主成分分析、因子分析等被廣泛地用來進(jìn)行分子描述因子（descriptor）的減維，從而可以更加簡單有效地表述分子信息并降低計算的復(fù)雜程度。
6.大型數(shù)據(jù)的可視化表達(dá)。在化學(xué)信息學(xué)的研究中需要對成千上萬個分子的構(gòu)效關(guān)系模型進(jìn)行表達(dá)，若通過圖表的方式用計算機程序自動地進(jìn)行數(shù)據(jù)的過濾和表達(dá)有利于分析。