倒退30年让我们回到基于结构设计的黄金时代。随着蛋白质晶体学的发展，越来越多的蛋白质药物靶点在此后不久被发现。与此同时，对接算法和打分功能的出现，衍生出了很多软件包，如LUDI、Sprout、GROW。药物研究界对可能出现的新机会充满热情，希望能在理论水平上对药物进行理性设计。遗憾的是，不仅结合模式预测和蛋白-配体亲和力计算难以可靠地解决实际问题，而且主要问题还在于软件建议的化合物通常难以合成或无法合成。结果，实验性高通量筛选变得流行，以求避免对结合亲和力和合成可及性的计算预测。
就像科学史上经常发生的那样，一些技术改变了游戏规则，使钟摆又摆了回来。基于片段的药物发现与实验技术的发展使测量小、弱活性化合物的亲和力成为可能。随着机器学习在过去十年的兴起，有机化学合成的预测有了很大进展，大大提高了合成的可能性，与此同时，大型制药公司开始将他们的合成计划数字化，使之进入了广阔的化学空间。十多年来，辉瑞和勃林格殷格翰提出的化学空间比最大的物理筛选库大几个数量级。化学品供应商，如烯胺或无锡开发了前所未有的规模和可靠性的按需制造的化合物目录组。
随着化学数据资源的激增(已经能够容纳数十亿分子的信息)，美国国立卫生研究院于2020年12月1日举办了一个关于超大型化学数据库的虚拟研讨会，讨论了超大型化学数据库创建、管理、集成和查询的机遇、挑战和有前途的新方法等系列问题。有超过500个注册的医疗中心参与，人们对这次研讨会的兴趣超出了预期。
像这个研讨会这样的事件表明，寻找药物发现的计算方法比以往任何时候都更重要。当今可访问的化学空间的绝对规模使得我们除了通过计算发现新药没有其他选择。此外，即使硬件容量不断增长，在数据库容量超过1012的情况下，查看每个分子也没有意义。相反，它需要利用合成化学的组合策略，对于有机合成药物进行精确全面的描述和预测，对此我们尚在努力中。通过这期关于反应信息学和化学空间的特刊，我们希望突出近年来的成就，展示当前的研究，并激励学术界和工业界的科学家探索化学空间导航的机会。我们期待您的贡献，直到2021年9月1日。
参考文献
Matthias Rarey, Marc C. Nicklaus, and Wendy Warr, Call for Papers for the Special Issue: From Reaction Informatics to Chemical Space. J. Chem. Inf. Model. 2021, 61, 4, 1531-1532. DOI: 10.1021/acs.jcim.1c00321.