Validarea este un aspect crucial al oricărei modelări cantitative a relației structură-activitate (QSAR). Această lucrare examinează unul dintre cele mai populare criterii de validare, leave-one-out cross-validated R2 (LOO q2). Adesea, o valoare ridicată a acestei caracteristici statistice (q2>0,5) este considerată ca o dovadă a capacității ridicate de predicție a modelului. În această lucrare, arătăm că această ipoteză este, în general, incorectă. În cazul QSAR 3D, lipsa corelației dintre valoarea ridicată a LOO q2 și capacitatea ridicată de predicție a unui model QSAR a fost stabilită anterior . În această lucrare, folosim descriptori moleculari bidimensionali (2D) și metoda QSAR k nearest neighbors (kNN) pentru analiza mai multor seturi de date. Pentru niciunul dintre seturile de date nu s-a constatat o corelație între valorile lui q2 pentru setul de instruire și capacitatea de predicție pentru setul de testare. Astfel, valoarea ridicată a LOO q2 pare a fi o condiție necesară, dar nu și suficientă pentru ca modelul să aibă o putere predictivă ridicată. Susținem că aceasta este proprietatea generală a modelelor QSAR dezvoltate utilizând validarea încrucișată LOO. Subliniem faptul că validarea externă este singura modalitate de a stabili un model QSAR fiabil. Formulăm un set de criterii de evaluare a capacității de predicție a modelelor QSAR.

.