В статье представлен детальный бенчмарк, оценивающий эффективность методов активного обучения (Active Learning) для прогнозирования ADMET-свойств (абсорбция, распределение, метаболизм, выведение и токсичность) в процессе открытия новых лекарств. Исследователи сравнили семь стратегий отбора образцов и два подхода к оценке неопределенности — Deep Ensembles и MC Dropout — на восьми регрессионных конечных точках ADMET. Ключевой особенностью методологии стало использование строгого химического сплита (chemotype split), что позволило объективно оценить способность моделей обобщать знания на новые, ранее не встречавшиеся химические группы. Результаты показали, что польза от активного обучения сильно зависит от конкретной конечной точки и выбранной стратегии: наибольшую стабильность продемонстрировали методы, учитывающие разнообразие данных, особенно для задачи предсказания растворимости. Хотя ансамбли глубоких нейронных сетей (Deep Ensembles) демонстрировали более низкую среднеквадратичную ошибку (RMSE) в 45 из 56 сравнений по сравнению с MC Dropout, это не всегда приводило к лучшему отбору информативных молекул из-за слабой корреляции между оценкой неопределенности и реальной ошибкой предсказания. Авторы подчеркивают важность учета вычислительных затрат и предлагают воспроизводимую основу для выбора стратегий отбора соединений, что критически важно для снижения стоимости экспериментального профилирования в фармацевтических исследованиях.