A validálás minden kvantitatív szerkezet-aktivitás kapcsolat (QSAR) modellezésének kulcsfontosságú szempontja. Ez a cikk az egyik legnépszerűbb validálási kritériumot, a leave-one-out cross-validated R2-t (LOO q2) vizsgálja. Gyakran e statisztikai jellemző magas értékét (q2>0,5) tekintik a modell magas prediktív képességének bizonyítékának. Ebben a tanulmányban megmutatjuk, hogy ez a feltételezés általában helytelen. A 3D QSAR esetében már korábban megállapítottuk, hogy nincs összefüggés a magas LOO q2 és a QSAR modell magas előrejelző képessége között . Ebben a tanulmányban kétdimenziós (2D) molekuláris leírókat és k legközelebbi szomszédok (kNN) QSAR módszert használunk több adatkészlet elemzéséhez. Egyik adatkészlet esetében sem találtunk összefüggést a képzési halmaz q2 értékei és a tesztkészlet előrejelző képessége között. Úgy tűnik tehát, hogy a LOO q2 magas értéke szükséges, de nem elégséges feltétele annak, hogy a modell nagy előrejelző képességgel rendelkezzen. Azt állítjuk, hogy ez a LOO keresztvalidálással kifejlesztett QSAR modellek általános tulajdonsága. Hangsúlyozzuk, hogy a külső validálás az egyetlen módja a megbízható QSAR-modell létrehozásának. Megfogalmazunk egy kritériumrendszert a QSAR-modellek prediktív képességének értékelésére.