Interakce mezi bílkovinami a ligandy a přesná identifikace těchto interakcí jsou klíčové pro návrh léčiv pomocí výpočetních prostředků. K dosažení úspěchu v identifikaci interakcí v komplexech bílkovin a jejich inhibitorů bylo vyvinuto a testováno již mnoho skórovacích a dokovacích funkcí. Nejdůležitější z přístupů, který se používá v počítačovém návrhu léčiv a virtuálním screenování, je molekulární dokování. Molekulární dokování dokáže předpovědět možné vazebné motivy - na kterém místě a jak se ligand váže (samplovací síla, "sampling power"), dokáže tyto potenciální vazebné motivy seřadit na základě vazebné síly (skórovací síla, "scoring power") a takto oddělit aktivní látky od neaktivních (screenovací síla, "screening power"). Pro dokování a skórování lze dnes využít množství různých počítačových programů a výpočetních nástrojů. Obecně, dvě základní komponenty těchto programů jsou samplovací algoritmus a skórovací funkce. Samplovací algoritmus generuje možné orientace ligandu v aktivním místě proteinu a skórovací funkce dokáže předpovědět relativní sílu vazby těchto jednotlivých orientací. Různé dokovací programy využívají různé samplovací strategie a dokovací funkce. Dokovací programy byly již úspěšně použity na mnoho P-L komplexů, avšak jejich skórovací funkce často selhávají v případě obtížných systémů (tj. v případě systémů obsahujících kov v aktivním místě nebo v případě systémů s anorganickým nebo halogen-obsahujícím ligandem, apod.). Naše nová skórovací funkce založená na semiempirických kvantově-mechanických metodách (SQM) má sloužit k překonání zmíněných problémů. Tato skórovací funkce již dosáhla daleko lepších výsledků v samplování, rankování a screenování než ostatní, dnes běžně užívané skórovací funkce. Tato dizertační práce se zabývá návrhem léčiv, vztahem molekulární geometrie a aktivity látky, předpovídáním přirozených vazebných motivů, molekulárním dokováním, virtuálním screenováním, termodynamikou vodného prostředí a SQM metodami ve vztahu k samplovací, rankovací a screenovací síle.Protein - Ligand (P-L) interaction and accurate identification of these interactions are crucial for computer-aided drug design. To achieve success in the identification of P-L complexes, many scoring functions (SFs) and docking functions (DFs) have been developed and tested. The most important approach used in structure-based drug design and structural-based virtual screening is molecular docking. Molecular docking predicts native binding poses (sampling power), ranks the binding affinities (ranking power) and discriminates active compounds from the inactives (screening power). Variety of different programs and tools are available for docking/scoring. The two most important components of the docking programs are the sampling algorithm and the SF. Sampling algorithm gives the possible geometric positions within the active site, while the SF predicts the binding affinity relationship between these poses. Docking programs use different sampling strategies and SFs. Docking programs have been successful so far in many protein-ligand systems. However, their SFs often fail in difficult systems such as metalloproteins, halogenated ligands, inorganic ligands etc. To overcome these problems, we have developed a novel semiempirical quantum mechanics (SQM)-based SF. The newly introduced SQM SF has achieved far better performance in sampling, ranking and screening power against the widely used classical SFs. In this dissertation, ligand design, structure-activity relationship (SAR), native binding mode prediction, molecular docking, virtual screening, water thermodynamics and SQM-based scoring were studied associated with sampling power, ranking power and screening power.