توسعه مدل‌های یادگیری ماشین برای پیش‌بینی ویژگی‌ها، فعالیت‌ها و سایر خروجی‌های قابل محاسبه مولکولی.
این کار می‌تواند آماده‌سازی داده، نمایش مولکولی، توسعه مدل، اعتبارسنجی، تحلیل عدم قطعیت و تفسیر را شامل شود.
کاربردها می‌توانند شامل پیش‌بینی فعالیت، ویژگی‌های فیزیکوشیمیایی، مدل‌سازی مرتبط با سمیت و اولویت‌بندی ترکیبات باشند.
روش پیاده‌سازی بر اساس داده‌های موجود، محدودیت‌های فنی، میزان اتوماسیون مورد نیاز و زیرساخت نرم‌افزاری یا پژوهشی پروژه انتخاب می‌شود. راهکار می‌تواند به‌صورت یک جزء مستقل یا درون یک سامانه بزرگ‌تر پیاده‌سازی شود.
هدف، ایجاد یک جریان محاسباتی روشن و قابل ارزیابی است که بتوان آن را در ادامه نگهداری، توسعه و با نیازهای جدید پروژه تطبیق داد. بنابراین انتخاب مدل، پردازش داده، رابط‌ها و روش استقرار بر اساس مسئله واقعی پروژه تعیین می‌شود.