A modellépítéshez első lépésként referenciamolekulákat kell összegyűjtenünk. A tanító készlet nagysága, szerkezeti és aktivitás tartományának diverzitása jelentősen befolyásolhatja modellünk predikciós képességét. A referenciamolekulák különböző forrásokból származhatnak, így pl. házon belüli vagy nyilvános kémiai, biológiai és farmakológiai kismolekulás adatbázisokból. Utóbbiak közül első helyen a PubChem adatbázist (link) említjük, amely e könyvfejezet írásakor 72 089 879 különböző mintáról szóló bejegyzést, 28 785 236 egyedi molekulát és 462 597 biológiai mérési adatot tartalmazott. Mintegy 25 millió molekulát tartalmaz a ChemSpider adatbázis (link), amelynek célja a kismolekulákról minden fellelhető információ összegyűjtése. A közelmúltban a SureChem szabadalmi adatbázissal történt integráció következtében a ChemSpiderben szabadalmakban leírt molekulák adatai is megtalálhatók. Mindkét adatbázisban kereshetünk kulcsszavakra vagy szerkezeti elemekre, és szűkíthetjük a keresést egyszerű fizikokémiai szűrők alkalmazásával, a számunkra érdekes molekulákat pedig a népszerű molekulaleíró formátumok egyikében is exportálhatjuk. A ChEMBLdb adatbázis (link) 578 715 unikális gyógyszerszerű molekula 7493 célfehérjen mért 2 787 240 aktivitásadatát tartalmazza. Említést érdemel még a Drugbank adatbázis (link), amely közel 4800 gyógyszermolekulát tartalmaz. Ugyancsak hasznos ligandum információ forrás lehet az AffinDB adatbázis (link), amely olyan kismolekulák affinitásadatait tartalmazza, amelyeknél a ligandum-célfehérje komplex kristályszerkezete is rendelkezésre áll (Block és mtsai 2006). Az AffinDB jelenleg 748 affinitásadatot tartalmaz, melyek 474 PDB szerkezetre vonatkoznak.