随着 AlphaFold 等突破推动生命科学进入 AI 驱动的新阶段，计算化学在药物发现、材料设计和基础研究中的作用越来越重要。计算机辅助药物设计（AIDD）、分子模拟、量子化学与机器学习方法正快速发展，也吸引了越来越多同学想进入这个领域。

我接触计算化学之后，深切感受到这是一个门槛高、学习资源分散、软件复杂、研究方向多样的领域，初次接触往往无法对这个领域有一个完整的系统性的认识和理解，也没有一个清晰的学习路径。我在自己的学习和科研过程中也经历过这样的困惑，因此希望将知识框架、资源、工具与经验整理成一个结构化的仓库，让更多人能更容易地建立体系化理解。

计算化学的未来非常promising，而入门的门槛不应该成为阻碍。希望这个项目能成为一个开放、不断成长的学习平台，让更多对科学与探索充满兴趣的朋友找到进入这一领域的路线图。

这个仓库旨在帮助学习者：

• 建立计算化学所需的数学、编程、化学物理等基础
• 了解计算化学的主要分支与研究方向
• 快速掌握常用工具（如 AMBER、GROMACS、Gaussian、RDKit 等）
• 获取博士申请、科研技能等实用信息

最终目标是提供一个 结构化、可扩展、社区驱动的计算化学学习资源库。

提供计算化学从入门到进阶的整体学习路线图。

整理进入计算化学需要的跨学科基础，包括数学、编程与化学物理核心概念。

介绍计算化学的主要研究方向及其关键方法与应用场景。

整理常用软件的安装、使用方法与最小示例（Vina、AMBER、Gaussian、RDKit 等）。

提供科研过程中的实用指南，如 HPC 使用、环境管理与 workflow 构建。

集中存放教材、课程、讲义、综述、经典文献与阅读路径，供其他模块引用。

涵盖文献阅读、科研写作、可视化、项目管理与 reproducibility 的实用技巧。

博士申请相关内容，包括方向选择、申请策略、套磁与材料准备。

包含可运行的 notebook 和小型示例项目，帮助将理论方法应用到实际任务中。

我做的主要是药物设计相关的计算工作，包括 AIDD、docking 和 MD，这些只是计算化学领域中的一小部份，但是我觉得不同方向的方法都有相通性，都可以相互学习借鉴，所以我希望与社区共同完善这个开源资源库，也同时能让后面的同学能够在一个项目下对不同方向都有了解。欢迎大家以任何形式的贡献，包括但不限于：

• 推荐优质书籍、课程、文章或教程
• 完善基础知识内容
• 提供各子领域、应用方向的专业见解
• 提供示例脚本或notebook
• 修复错误或提出结构优化建议

都可以直接发起 Pull Request或者提出issue，注意所有外部资源都统一放在 resources/ 下，其他模块可以通过相对路径引用，这样结构清晰、易于维护，也方便未来扩展。