A pesar de que los medicamentos antiinflamatorios no esteroides son el tratamiento más efectivo para las condiciones inflamatorias, se han relacionado con efectos secundarios negativos. Un enfoque prometedor para mitigar los posibles riesgos es el desarrollo de nuevos compuestos capaces de combinar la actividad antiinflamatoria con la actividad antioxidante para mejorar la actividad y reducir la toxicidad. La implicación de especies reactivas de oxígeno en las condiciones inflamatorias ha sido ampliamente estudiada, basada en las propiedades proinflamatorias de los radicales libres generados. Los medicamentos con actividad dual (es decir, inhibiendo enzimas relacionadas con la inflamación, por ejemplo, LOX-3 y eliminando radicales libres, por ejemplo, DPPH) podrían encontrar diversas aplicaciones terapéuticas, como en trastornos cardiovasculares o neurodegenerativos. El desafío en el que nos embarcamos utilizando el aprendizaje profundo fue la creación de modelos de clasificación y regresión apropiados para discriminar la actividad farmacológica y la selectividad, así como para descubrir compuestos futuros con actividad dual antes de la síntesis. Se estableció un algoritmo de filtro preciso, basado en el conocimiento de compuestos ya evaluados in vitro, que puede separar compuestos con baja, moderada o alta actividad. En este estudio, construimos una red neuronal convolucional unidimensional altamente efectiva y personalizada (CONV1D), con puntuaciones de precisión de hasta, que fue capaz de identificar compuestos con actividad dual, siendo inhibidores de LOX-3 y eliminadores de DPPH, como indicación de actividad antiinflamatoria y antioxidante simultánea. Además, creamos un modelo de regresión altamente preciso que predijo el valor exacto de efectividad de un conjunto de compuestos recientemente sintetizados con actividad antiinflamatoria, obteniendo un valor de error cuadrático medio de 0.8. Finalmente, logramos observar la manera en que esos compuestos recién sintetizados se diferencian entre sí, con respecto a un objetivo farmacológico específico, utilizando algoritmos de aprendizaje profundo.