Los microARNs (miARNs) son pequeñas ARN no codificantes que desempeñan un papel central en la regulación post-transcripcional de los procesos biológicos. Los miARNs regulan los transcritos a través de la unión directa que involucra a la familia de proteínas Argonaute. Las reglas exactas de unión no se conocen, y hasta la fecha se han desarrollado varios métodos de predicción de objetivos de miARN in silico. El aprendizaje profundo ha revolucionado recientemente la predicción de objetivos de miARN. Sin embargo, el mayor poder predictivo viene acompañado de una disminución en la capacidad de interpretar modelos cada vez más complejos. Aquí, presentamos una nueva técnica de interpretación, llamada alineación de secuencias de atribución, para modelos de predicción de sitios de unión de miARN que puede interpretar tales modelos de aprendizaje profundo en una representación bidimensional de miARN y secuencias de objetivos putativos. Nuestro método produce una representación visual legible por humanos de las interacciones miARN:objetivo y puede usarse como un proxy para la interpretación adicional de conceptos biológicos aprendidos por la red neuronal. Demostramos aplicaciones de este método en la agrupación de datos experimentales en clases de unión, así como el uso del método para reducir los sitios de unión de miARN predichos en largas secuencias de transcritos. Es importante destacar que el método presentado funciona con cualquier modelo de red neuronal entrenado en una representación bidimensional de interacciones y puede extenderse fácilmente a otros dominios, como interacciones proteína-proteína.