A VS tehát alapvetően két tudományterületre támaszkodik. Az utóbbi években a gyógyszerkutatáshoz kapcsolódó kismolekulás adatbázisokban óriási mennyiségű információ halmozódott fel, melynek kezelése és elemzése gyors és megbízható eljárásokat követel – ez a kémiai informatika (kem[o]informatika) tudományterülete. Másfelől a szűrendő potenciális ligandumok és a makromolekula 3D szerkezete lehetővé teszik a térszerkezetükben rejlő információk kiaknázását – ebben nyújt segítséget a molekulamodellezés.

A VS alapvetően a gyógyszerkutatás kezdeti fázisában, a kémiai kiindulópontok azonosításában jut szerephez. A random szűréssel (pl. HTS) ellentétben a VS racionálisan választja ki a potenciális gyógyszermolekulákat, ezáltal csökkenti az adott számú találat azonosításához szükséges biológiai mérések számát. A VS és a HTS azonban nem egymással versengő, sokkal inkább egymást kiegészítő módszereknek tekinthetők, és – amennyiben ehhez a lehetőségek adottak – a találatok maximalizálásának érdekében célszerű mindkét megközelítést alkalmazni. Mindkét módszer előfeltétele egy kismolekulás adatbázis, amelyen a szűrést végezzük és egy, a megcélzott makromolekulára validált, hatékony szűrési eljárás. A két megközelítés abban is hasonló, hogy mindkét esetben számolnunk kell olyan hatástalan vegyületekkel, amelyek találatként jelentkeznek (hamis pozitívok) és olyan hatásos vegyületekkel, amelyeket a módszer nem képes azonosítani (hamis negatívak). Alapvető különbség azonban, hogy míg a HTS kizárólag valós (fiókból előhúzható – off the shelf) molekulákon futtatható, addig a VS szűrendő adatbázisa lehet például beszállítóktól rendelhető vegyületek adatbázisa, vagy akár egy teljesen virtuális, szintetikusan hozzáférhető, de eddig elő nem állított molekulákat tartalmazó könyvtár, sőt szélsőséges esetben akár a teljes kémiai tér is. A gyógyszerszerű molekulák kémiai terének méretét egyes szerzők 1060 körülire teszik (Bohacek és mtsai, 1996). Könnyen belátható, hogy ilyen számú vegyület valós szűrése HTS-sel sosem lesz megvalósítható, mivel ennyi molekula előállításához az egész Föld tömege sem lenne elegendő. A valaha előállított molekulák száma 108-ra tehető, míg a beszállító cégektől pillanatnyilag polcról elérhető molekulák száma nagyságrendileg 107 körül van (Hann es mtsai, 2005). A HTS-ben jelenleg az egy mérési szcenárióban szűrhető molekulák száma tipikusan 104–106 között mozog. Ugyanakkor keminformatikai megoldásokkal (pl. kombinatorikus könyvtárak szabályrendszereivel) a kémiai tér legalábbis részben kezelhető és akár szűrhető is. A VS előnye tehát, hogy a HTS-hez képest nagyságrendekkel nagyobb méretű adatbázisok szűrésére is alkalmas lehet, ami jobb mintavételezest jelent. Hátránya ugyanakkor, hogy megbízhatósága elmarad a HTS-étől, ami elsősorban az alkalmazott algoritmusok hiányosságaival (nem megfelelő pontosság, makromolekula–ligandum kölcsönhatások mechanizmusának hiányos ismerete) magyarázható. A VS-től ezért jelenleg nem várhatunk 100%-ot megközelítő találati arányt és nM-os affinitású találatokat (bár elvétve ezekre is akad példa), azonban az esetek többségében (ezt mutatják az irodalomban megjelent sikeres példák) számíthatunk μM-os affinitástartományba eső, ígéretes alapszerkezetek azonosítására, amelyek megfelelő kémiai kiindulópontként szolgálhatnak vezérmolekulák azonosításához.

A gyakorlatban általában egy több szűrési lépésből álló virtuális szűrési rendszert építünk fel, amelyben az egyes szűrési lépéseket a rendelkezésre álló információ alapján, azok egymáshoz képest elfoglalt helyét pedig alapvetően számítási időigényük alapján határozzuk meg. Ha egy szűrési lépés túl szigorú, akkor aktívakat veszíthetünk, míg, ha túlságosan megengedő, akkor az inaktívakat is átengedi. A szűrési kritériumok, vagyis hogy „mekkorára nyitjuk a szűrők száját”, jelentős mértékben befolyásolják a VS hatékonyságát.