Este documento presenta enfoques innovadores para mejorar y desarrollar modelos RANS de una ecuación utilizando programación de expresión genética. Se exploran dos estrategias distintas: superar las limitaciones de la hipótesis de Boussinesq y formular un nuevo modelo de turbulencia de una ecuación que pueda predecir con precisión una amplia gama de flujos turbulentos limitados por paredes. Un análisis comparativo de estas estrategias destaca su potencial para avanzar en las capacidades de modelado RANS. El estudio emplea un marco de aprendizaje automático impulsado por CFD de caso único, demostrando que los modelos informados por máquinas mejoran significativamente la precisión predictiva, especialmente cuando las predicciones RANS de referencia se desvían de los puntos de referencia establecidos. Utilizando datos de entrenamiento existentes, la regresión simbólica proporciona valiosas ideas sobre la física subyacente al eliminar estrategias ineficaces. Esto resalta la importancia más amplia del aprendizaje automático más allá del desarrollo de cierres de turbulencia para casos específicos.