在已知受体结构和作用位点的情况下，分子对接技术（Molecular Docking）可被用于自动匹配受体结合腔穴和数据库中的小分子化合物，并预测与受体结合作用最强的一组化合物，来进行活性测试以节省新型先导化合物开发的周期和成本。然而，受体-配体相互作用的物理学过程非常复杂，目前广泛使用的能量打分函数（Scoring Function）还存在多个局限性因素，很难保证计算结果的准确性。因此，一方面，我们从计算化学方法学出发，发展新的基于物理学原理的虚拟筛选打分方法，系统地改进计算受体和配体结合自由能方法中的局限性因素，包括受体和配体之间的范德华和静电相互作用的精确计算、诱导契合的处理、去溶剂化效应和熵变效应等,在提高计算精度同时兼顾计算效率，架起应用基础研究（计算化学方法）与新药创制（药物化学和分子药理学）之间的桥梁。近年来，我们也开始探索将深度学习（Deep Learning）技术应用整合到受体-配体相互作用能计算中，来进一步提高药物分子设计的成功率。另一方面，我们从应用转化方面出发，基于理论计算预测，结合实验科学验证，架起生物学基础研究（分子靶点机制和功能研究）与新药创制（药物化学和分子药理学）之间的桥梁，通过FTO抑制剂，5HT-2B受体特异性拮抗剂，免疫相关蛋白激酶特异性抑制剂等方面的研发工作，充分证明计算化学方法创新在新药研发中的重要指导价值，在治疗肥胖相关代谢类疾病和肠易激综合征等多个方面研发的首创性新药候选物，具有独创性和自主知识产权价值，已全面聚焦临床前研究，开始产业化进程。并且这些新型小分子配体可以作为分子探针用于干预特异的蛋白靶标，揭示生物大分子的功能和验证生物学靶标的成药性。