El receptor potencial transitorio de ankirina 1 (TRPA1) es un canal de calcio activado por ligandos que se activa a bajas temperaturas y por una gran cantidad de irritantes ambientales electrofílicos (allicina, acroleína, aceite de mostaza) y lípidos oxidados endógenos (15-deoxi-delta12, 14-prostaglandina J2 y ácido 5, 6-eposyeicosatrienoico). Estos lípidos oxidados funcionan como agonistas, convirtiendo a TRPA1 en un actor clave en el dolor inflamatorio y neuropático. Los antagonistas de TRPA1 que actúan como bloqueadores del dolor no central son una opción prometedora para el futuro tratamiento de condiciones relacionadas con el dolor, teniendo ventajas sobre las opciones terapéuticas actuales. Una gran variedad de métodos se han utilizado en el diseño de fármacos para acelerar el desarrollo de nuevos compuestos activos, como el acoplamiento molecular, modelos de relación estructura-actividad cuantitativa (QSAR) y algoritmos de clasificación de aprendizaje automático. Los métodos de inteligencia artificial pueden mejorar significativamente el proceso de descubrimiento de fármacos y es un campo atractivo que puede reunir a científicos de la computación y expertos en desarrollo de fármacos. En nuestro estudio, nuestro objetivo fue desarrollar tres algoritmos de aprendizaje automático frecuentemente utilizados en la investigación de descubrimiento de fármacos: redes neuronales feedforward (FFNN), bosques aleatorios (RF) y máquinas de vectores de soporte (SVM), para descubrir nuevos antagonistas de TRPA1. Los tres métodos de aprendizaje automático utilizaron la misma clase de variables independientes (descriptores de vecindarios multilevel de átomos) como predicción de espectros de actividad para sustancias (PASS) software. El modelo con la mayor precisión y métricas de rendimiento más óptimas fue el algoritmo de bosques aleatorios, mostrando un 99% de precisión y un área bajo la curva ROC de 0.9936. Por lo tanto, nuestro estudio enfatizó que algoritmos de aprendizaje automático más simples y robustos como los bosques aleatorios funcionan mejor en clasificar correctamente los antagonistas de TRPA1, ya que la dimensión del conjunto de variables dependientes es relativamente modesta.