A dúsulási teszteknél az aktív és inaktív vegyületeket ugyancsak külső (modellépítéshez fel nem használt) forrásból vesszük. Itt nem feltélel az aktivitás értékének pontos ismerete, a molekulákat aktív és inaktív osztályokba soroljuk. Ez a klasszifikációs szemlélet összhangban van a virtuális szűrés filozófiájával is, ahol a vizsgált vegyületeket a folyamat végén két (biológiai szűrésre javasolt és nem javasolt) osztályba soroljuk. Az aktív és inaktív vegyületek kiválasztásánál általános szempontként említhető a maximális diverzitás. Ideális esetben a validáláshoz használt aktív és inaktív vegyületeket kísérleti adatok alapján választjuk ki. Ha ilyen adatok nem állnak rendelkezésre, akkor inaktívként véletlenszerűen kiválasztott molekulákat is alkalmazhatunk tekintve, hogy ezen vegyületeknek kicsi az esélye (HTS találati arányait figyelembe véve 0,01–1%) arra, hogy a célmakromolekulán jelentős aktivitást mutassanak. Az inaktív vegyületeket érdemes úgy megválasztani, hogy fizikokémiai tulajdonságaik minél jobban hasonlítsanak az aktív molekulákéira, így különbséget tehetünk a valóban prediktív és a csak néhány egyszerű fizikokémiai tulajdonság alapján diszkrimináló modellek között (Huang és mtsai, 2006). A dúsulási tesztekben a virtuális szűrés nyomán előálló rangsorban (amennyiben nem eleve osztályokba sorolják a tesztvegyületeket – lásd klasszifikációs modellek) mindig meghúzunk egy határt – e felett helyezkednek el az ún. virtuális találatok (virtual hit) (4.6.5. ábra). A virtuális találatok között levő ténylegesen aktív vegyületeket valós pozitívoknak (VP), az inaktívakat pedig hamis pozitívoknak (HP) nevezzük. A virtuális találatok alatti tartományban levő aktívakat hamis negatívakként (HN), az inaktívakat pedig valós negatívakként (VN) azonosítjuk (4.6.5. ábra). A határt úgy célszerű meghúzni, hogy a virtuális találatok között minél nagyobb legyen az aktívak aránya (találati arány – hit rate). A találati arány azonban függ az adatbázisban található aktív vegyületek arányától, ezért a jobb összehasonlíthatóság érdekében a modellek hatékonyságát jellemezhetjük az ún. dúsulási faktorral is. A dúsulási faktor nem más, mint a virtuális találatok közti aktívak és a teljes adatbázisban található aktívak aránya. A dúsulási faktor azt mutatja meg, hogy a véletlen kiválasztáshoz képest modellünk segítségével hányszor nagyobb eséllyel választunk ki aktív vegyületet. A dúsulást jellemző további paraméterek még a szenzitivitás (VP/(VP+HN)) és a specificitás (VN/(VN+HP)), amelyek arról tájékoztatnak, hogy az aktívakat, illetve az inaktívakat milyen arányban soroltuk helyes osztályba. A szenzitivitást (valós pozitívok aránya) az 1-specificitás (hamis pozitívok aránya) függvényeként ábrázolva, az ún. ROC- (receiver operating characteristic) görbéhez jutunk. A ROC-görbék különösen hasznosak lehetnek az aktívak és inaktívak közötti határ kijelölésében.