Az előző fejezetben bemutattuk a molekulaleírók legfontosabb típusait. A következő lépés a deszkriptorok és a biológiai hatás közötti összefüggés megtalálása/leírása – az SAR-modell felépítése. A modellépítéshez használt molekulaleírók számát több okból is érdemes alacsonyan tartani. Egyrészt így a számolások időigényét csökkenteni tudjuk. Másrészt minél több molekulaleírót használunk, annál nagyobb az esély arra, hogy ezek korrelálnak egymással, vagyis nem adnak hozzá új információt a modellünkhöz. Célszerű tehát az egymással korreláló deszkriptorok közül csak egyet megtartani. Harmadrészt, a molekulaleírók számának növekedésével a véletlen korreláció lehetősége is nő. A deszkriptorok számának csökkentése abból a szempontból is lényeges, hogy a szűrés során a tesztelendő molekuláktól ne követeljük meg, hogy a biológiai hatás szempontjából lényegtelen leíróikban is hasonlítsanak az aktív vegyületekre. Fontos tehát a hatás kiváltásában szerepet játszó deszkriptorok kiválogatása. Ezt a folyamatot alapvetően meghatározza a rendelkezésre álló referenciamolekulák készlete. Amennyiben a referenciamolekulák száma kicsi és nincs, vagy csak pontatlan aktivitásadat tartozik hozzájuk, akkor érdemesebb úgynevezett klasszifikációs modelleket készíteni, amelyek a szűrendő adatbázis molekuláit két (aktív, inaktív) vagy több (pl. nagy, közepes, kis aktivitású) csoportba sorolják. Ha sok referenciamolekulára pontos aktivitásérték áll rendelkezésre, akkor ún. regressziós modellekkel a biológiai aktivitás becslésére is lehetőség van. Aszerint, hogy a biológiai aktivitás és a deszkriptorok között milyen összefüggést állítunk fel, megkülönböztetünk lineáris és nemlineáris modelleket.

ahol NA és NB az A és a B molekula bitkészletében levő 1-esek száma, NAB pedig a mindkét molekulában 1-est tartalmazó bitek száma. A Tanimoto-koefficiens általában jól jellemzi a két molekula hasonlóságát abban a tekintetben, hogy az egyik vagy mindkét molekulában meglevő biteket hasonlítja össze. A mindkét molekulából hiányzó bitek (fragmensek) ugyanis nincsenek közvetlen összefüggésben azzal, hogy két molekula hasonló-e vagy sem. A hasonlósági indexek alkalmazásának egyik hátránya, hogy bináris molekuláris ujjlenyomatokkal kombinálva csak azt veszik figyelembe, hogy egy adott szerkezeti elem előfordul-e a molekulában, vagy sem. Arról, hogy az adott fragmens hányszor fordul elő, sajnos nem szolgáltatnak információt. Az irodalomban a hasonlósági keresés (similarity search) kifejezés a molekuláris ujjlenyomatok hasonlósági indexekkel (leggyakrabban Tanimoto-koefficienssel) történő összehasonlítására terjedt el. Gyakran ezt a módszert használják a szűrendő adatbázis diverzitásának növelésére is, ebben az esetben egymástól szerkezetileg minél távolabbi molekulák kiválogatása a cél. Martin és munkatársai megmutatták, hogy MACCS-kulcsokat használva egymástól 0,85 Tanimoto-hasonlóság esetén ~30% annak az esélye, hogy két molekula hasonló biológiai hatással rendelkezik (Martin és mtsai, 2002). A molekuláris ujjlenyomatokhoz hasonlóan nem építhető igazán hatékony szűrési eljárás 1 db referenciamolekula alapján a CoMFA- vagy a 3D farmakofórmodellezési módszerekkel sem.