本课题组致力于计算机科学、分析化学与化学生物学的多学科交叉研究。以化学计量学、化学信息学为主要手段，以代谢组学研究为切入点，开发一系列用于复杂体系仪器分析的数据分析的新算法、新技术，并围绕“复杂体系中未知小分子结构与功能预测”这一核心科学问题展开研究工作。主要研究进展包括：

重要进展成果1：针对复杂体系质谱分析，率先提出了基于机器学习的策略的特征提取、质量控制、校准及模式识别等子模块，并整合为数据处理软件；有效减少噪声干扰，对特征信号，尤其是低强度特征进行准确的定量。

重要进展成果2：针对未知小分子结构注释，开发了基于深度学习模型的从已知预测未知的解决思路，挖掘化合物结构与质谱碎片、色谱保留时间等分析化学性质的关联性，开发了一系列用于注释未知小分子化合物二维结构的方法。

重要进展成果3：针对潜在药物小分子靶标解析，率先提出了机器学习与热转变实验相结合的策略。大幅提高了实验通量，单次实验可以解析15 - 30个待筛化合物在细胞内的作用靶点，将筛选效率提高 15 - 60 倍。