La reubicación de medicamentos es un método menos costoso y que consume menos tiempo que el método tradicional de descubrimiento de medicamentos. Es una estrategia para identificar nuevos usos para medicamentos aprobados o en investigación que están fuera del alcance de la indicación médica original. Una estrategia clave en la reubicación de medicamentos aprobados o en investigación es determinar la afinidad de unión de estos medicamentos a las proteínas objetivo. El gran aumento en los datos experimentales disponibles ha ayudado a los métodos de aprendizaje profundo a demostrar un rendimiento superior en comparación con la predicción convencional y otros métodos computacionales tradicionales en la predicción precisa de la afinidad de unión. Sin embargo, estos métodos son complejos y consumen tiempo, lo que representa una barrera significativa para su desarrollo y aplicación práctica. En este contexto, la computación cuántica (QC) y el aprendizaje automático cuántico (QML) teóricamente ofrecen soluciones prometedoras para abordar de manera efectiva estos desafíos. En este trabajo, presentamos un marco híbrido cuántico-clásico para predecir la afinidad de unión. Nuestro enfoque implica, inicialmente, la implementación de un modelo clásico eficiente utilizando redes neuronales convolucionales (CNN) para la extracción de características y tres capas completamente conectadas para la predicción. Posteriormente, conservando el módulo clásico para la extracción de características, implementamos varios módulos cuánticos y clásicos para la predicción de la afinidad de unión, que aceptan las características concatenadas como entrada. Los módulos cuánticos predictivos se implementan con Regresiones Cuánticas Variacionales (VQRs), mientras que los módulos predictivos clásicos se implementan con varias capas completamente conectadas. Nuestros hallazgos muestran claramente que los modelos híbridos cuántico-clásicos aceleran el proceso de entrenamiento en términos de épocas y logran una estabilización más rápida. Además, estos modelos demuestran superioridad cuántica en términos de complejidad, precisión y generalización, lo que indica una dirección prometedora para QML.