Dado que la explicabilidad parece ser el motor para una adopción más sabia de la Inteligencia Artificial en la atención médica y en aplicaciones críticas, en general, un estudio integral de este campo está lejos de completarse. Por un lado, aún no se ha evaluado una definición final y medidas teóricas de la explicabilidad; por otro lado, algunas herramientas y marcos para la evaluación práctica de esta característica ya están presentes. Este artículo tiene como objetivo presentar una experiencia concreta en el uso de algunas de estas técnicas relacionadas con la explicabilidad en el problema de predecir el tamaño de los aminoácidos en estructuras proteicas del mundo real. En particular, el cálculo de la importancia de las características integrado en el entrenamiento de Random Forest (RF) se compara con los resultados de la herramienta Eli-5 aplicada al modelo de Red Neuronal (NN). Ambos predictores se entrenan en el mismo conjunto de datos, que se extrae del Protein Data Bank (PDB), considerando 446 estructuras de mioglobinas y procesándolo con varias herramientas para implementar un modelo geométrico y realizar análisis sobre él. La comparación entre los dos modelos arroja diferentes conclusiones sobre la geometría de los residuos y sus propiedades biológicas.