La predicción in-silico de la solubilidad acuosa desempeña un papel fundamental durante los procesos de diseño y desarrollo de fármacos. Durante muchos años, el limitado rendimiento de los modelos in-silico de solubilidad se ha atribuido a la falta de datos de solubilidad de alta calidad. Sin embargo, algunos estudios sugieren que la escasa precisión de la predicción de la solubilidad no está relacionada con la calidad de los datos experimentales y que se necesitan metodologías más precisas (algoritmos y/o conjunto de descriptores) para predecir la solubilidad acuosa de las moléculas farmacéuticas. En este estudio, se generó una base de datos amplia y diversa de valores de solubilidad acuosa recogidos de dos fuentes públicas; se desarrollaron dos nuevos enfoques de aprendizaje automático recursivo para la limpieza de datos y la selección de variables; y se creó un modelo consenso basado en algoritmos de regresión y clasificación. La validación interna y externa del modelo demostró su utilidad como herramienta para la predicción de la solubilidad acuosa de nuevas entidades moleculares, mostrando resultados comparables o superiores a la mayoría de los modelos disponibles.  El protocolo de modelización, incluyendo la curación de datos químicos y experimentales, se implementó en KNIME, con el objetivo de obtener un flujo de trabajo automatizado para la predicción de nuevas bases de datos. El flujo automático desarrollado se encuentra disponible en: https://pikairos.eu/adme-prediction-with-knime-a-retrospective-contribution-to-the-second-solubility-challenge/