El objetivo del aprendizaje de variedades es extraer variedades de baja dimensión a partir de datos de alta dimensión. El alineamiento de variedades es una variante del aprendizaje de variedades que utiliza dos o más conjuntos de datos que se asume representan diferentes representaciones de alta dimensión de la misma variedad subyacente. El alineamiento de variedades puede tener éxito en detectar variedades latentes en casos en los que una versión de los datos por sí sola no es suficiente para extraer y establecer una representación estable de baja dimensión. El estudio actual propone una arquitectura de red neuronal de autoencoder profundo paralelo para el alineamiento de variedades y realiza una serie de experimentos utilizando un conjunto de datos de referencia de plegamiento de proteínas y una serie de nuevos conjuntos de datos generados mediante la simulación de la dinámica de un doble péndulo con variedades subyacentes de dimensiones 2, 3 y 4. La dimensionalidad y la complejidad topológica de estas variedades latentes están por encima de las que se encuentran en la mayoría de los estudios previos. Nuestros resultados experimentales demuestran que el autoencoder profundo paralelo funciona en la mayoría de los casos mejor que los métodos tradicionales probados de alineamiento de variedades semisupervisado. También mostramos que el autoencoder profundo paralelo puede procesar conjuntos de datos de diferentes dominios de entrada alinear las variedades extraídas de los parámetros cinemáticos con las obtenidas a partir de datos de imagen correspondientes.