定量构效关系研究是化学计量学的重要分支。本论文主要是基于应用本实验室提出并发展的几个新的化学计量学算法，对一些实际的生化体系进行了定量构效关系分析。 建立定量构效关系模型第一步是计算大量的分子描述符，下一步则是从这些描述符中选取与所研究对象最相关的描述符，即变量选择。本论文采用本实验室最近引入化学计量学的粒子群优化算法(particle swarm optimization，PSO)来进行变量选择，选出的变量用多元线性回归方法建模。基于这样的方法对环氧酶抑制剂的活性和选择性以及芳香族化合物的毒性进行了定量构效关系分析。结果发现粒子群优化算法用于变量选择可得到与遗传算法相媲美的结果。 神经网络是一个优异的非线性建模工具，但其突出的缺点就是潜在的预收敛到局部最优点或过拟合导致的错误预报模式；为了改善神经网络的性能，引入了混沌的概念来辅助遗传算法训练神经网络(Chaotic Genetic Artificial Neural Network，CGANN)。基于这个方法，对偏端霉素类衍生物的生物活性进行了建模，并同传统的偏最小二乘方法进行了比较。结果发现，CGANN在训练能力和预测能力上都明显优于PLS，充分说明CGANN作为强大的非线性关系处理工具有独特的优势。另外，杂交的粒子群优化算法也可以用来训练神经网络(Hybrid Particle Swarm Optimization Neural Network，HPSONN)。用这个方法对血小板衍化生长因子受体磷酸化作用的抑制剂进行了定量构效关系分析，发现该方法得到的结果比多元线性回归方法也有很大的改善。 通过对建模所用变量的分析，能够得到一些药物与生物大分子作用的信息，对以后的药物合成有一定的指导作用。