虚拟筛选依赖分子模拟技术，从大量的有机化合物中遴选出可能有效的候选化合物，避免了对化合物的盲目筛选，从而大大降低了发现活性先导化合物的成本。从原理上来讲，虚拟筛选可以分为两类，即基于受体的虚拟筛选和基于配体的虚拟筛选。下面主要介绍基于受体的虚拟筛选的工作流程。
化合物库准备
性质过滤：Lipinski五规则
1.氢键donor(OH, NH)不超过5个。
2.氢键acceptor(N, O等）不超过10个。
3.脂水分配系数(LogP)不超过5。
4.分子量在500以下。
5.可旋转键数不超过10个。
官能团过滤：REOS（Rapid Elimination of Swill）
发现和清除数据库中的毒性、反应性或者其他不符合要求的化合物。
子结构过滤 ： 假阳性化合物 （PAINS）
化合物所引起的效应并非化合物作用于预期的作用靶点所导致的效应，而是作用于其他未知酶所引起的效应。这些效应往往会导致较差的选择性、毒性等不良作用，因此在药物早期设计中就应该被排除，避免后期的时间、精力和资源的浪费。
基于靶点的过滤 ：药效团（Pharmacophores）
由于基于受体的虚拟筛选针对的是靶标相关的家族或者是单一靶标的治疗，故特定的化合物库可以通过药效团过滤获得。
生成化合物3D坐标
筛选的化合物信息通常以2D格式存储在化合物库中，然而，大多数对接程序需要3D构造作为输入结构。因此，有必要将化合物的2D表示扩展成3D坐标。优化化合物的3D结构产生适当的化合物互变异构，立体异构和质子化状态也是随后对接计算的成功结果的基础。另外，根据具体的对接引擎也可能需要为化合物分添加电荷。
蛋白准备
蛋白质结构的准备也是基于受体的虚拟筛选中的关键一步。x射线结构中等分辨率下，通常无法解析氢原子。为了执行对接计算，因此有必要向目标结构添加氢原子。结构中加入氢原子之后，也习惯上进行能量最小化以释放可能引入的最终的空间冲突。蛋白质结构准备阶段也包括部分原子电荷的计算，然后要确定结合的位点和大小。
结合位点的确定和检查
实验测得结构可用的情况下，通常通过蛋白配体复合物选择结合位点。 否则，可以借助可用的实验数据或特定软件包来预测结合位点。 任何一种情况下，需要仔细选择结合位点的大小，因为它可能影响虚拟筛选程序的效率和结果：如果定义太小的结合位点，则不适合其中的潜在配体将被丢弃; 然而，如果设置太大的结合位点，则很多计算时间将用于搜索不感兴趣的区域。
对接（Docking）
化合物库中的每个化合物对接到结合位点是虚拟筛选中计算量最大的步骤。仅讨论影响虚拟筛选研究结果的两个方面：目标结构的柔性和水分子的作用。
靶标的柔性
虚拟筛选进行对接计算的一个基本假设是，靶标结构在初始构象是保持固定。事实上蛋白质是动态实体，并且结合位点通常通过构象变化适应配体结合，构象变化可能涉及小的侧链翻转以及较大蛋白质部分的运动。尽管几项研究强调，适当考虑目标灵活性可以改善虚拟筛选的结果，但将这一方面纳入现代对接算法仍然具有挑战性。
水分子的作用
水分子在配体识别中起重要作用。水分子通过氢键网络介导配体-靶标相互作用。尽管已经证明在对接计算中包括水分子可以提高虚拟筛序的性能，但是在对接计算中考虑这一方面仍然是一项具有挑战性的任务。这种方法上的缺点源于难以正确预测水分子进入结合位点的数量和位置。
打分（Scoring）
化合物库中的每个化合物产生构象后，评分函数对相同化合物的各个构象进行评价，并且对选择的姿势（pose）进行排序。 在虚拟筛选中，要求打分函数快速处理数千种化合物。 这意味着尽管有很多的评分函数可供选择，但在实践中只使用最快的函数。
一致性评分（Consensus Scoring）
将几个不同打分函数的结果相结合，这种方法通常被称为“一致性评分”。 根据这种方法，使用多个打分函数来评分排名最高的姿势，并且选择每个评分功能共同的姿势。 这种方法使得能够在使用单个打分函数方面具有更好的准确性。 然而，必须指出，在应用一致性评分之前，应该评估每个打分函数的表现，以便为感兴趣的系统选择最合适的组合。
苗头化合物的选择和确认
针对靶标和化合物库的虚拟筛选产生大量数据，包括每种化合物的预测结合姿势以及评估的结合亲和力等。这些化合物中，只有一小部分将进行生物活性测定。因此，苗头化合物的选择是基于受体的虚拟筛选的关键一步。原则上可以根据打分排序进行选择或者基于一致性评分，强烈建议应用其他后处理策略，以最大限度地过滤化合物。在设计的后处理方法中，可以选择建立关键相互作用的对接姿态或与结合口袋表现出一定程度的表面互补性。此外，进行可视化检查所命中化合物的姿势，以确保配体-蛋白质相互作用和配体构象都是合理的。