La exploración del paisaje energético de un sistema químico es esencial para comprender y predecir sus propiedades observables. En la mayoría de los casos, esta es una tarea desafiante debido a la alta complejidad de dichos paisajes, que a menudo consisten en múltiples cuencas posiblemente jerárquicas que son difíciles de localizar y explorar a fondo. En este estudio, presentamos un método novedoso, llamado IGLOO (Exploración Global Iterativa y Optimización Local), que tiene como objetivo lograr una exploración global más eficiente del espacio conformacional en comparación con las técnicas existentes. El método utiliza una exploración basada en árboles inspirada en el algoritmo Rapidly exploring Random Tree (RRT) originario de la robótica. IGLOO ajusta dinámicamente su estrategia de exploración para escanear homogéneamente el paisaje y enfocarse en regiones prometedoras, evitando exploraciones redundantes. Evaluamos IGLOO utilizando modelos de dos polipéptidos y comparamos su rendimiento con el método tradicional de salto de cuenca y un método híbrido que también incorpora el algoritmo RRT. Descubrimos que IGLOO supera a ambos métodos alternativos en términos de explorar de manera eficiente y exhaustiva el espacio conformacional molecular. Este enfoque puede ser fácilmente generalizado a otros sistemas químicos como moléculas en superficies o sistemas cristalinos.