Comprender los mecanismos de respuesta a los medicamentos contra el cáncer de mama puede desempeñar un papel crucial en la mejora de los resultados del tratamiento y las tasas de supervivencia. Los enfoques existentes basados en bioinformática están lejos de ser perfectos y no adoptan métodos computacionales basados en conceptos avanzados de inteligencia artificial. Por lo tanto, presentamos un nuevo marco computacional basado en una máquina de vectores de soporte eficiente (esvm) que funciona de la siguiente manera: Primero, descargamos y procesamos tres conjuntos de datos de expresión génica relacionados con el cáncer de mama que responden y no responden a los tratamientos del omnibus de expresión génica (GEO) de acuerdo con los siguientes números de acceso GEO: GSE130787, GSE140494 y GSE196093. Nuestro método esvm se formula como un problema de optimización restringida en su forma dual como una función de . Recuperamos la importancia de cada gen como una función de , y . Luego, seleccionamos genes de , que se proporcionan como entrada a herramientas de análisis de enriquecimiento, Enrichr y Metascape. En comparación con los métodos de referencia existentes, incluido el aprendizaje profundo, los resultados demuestran la superioridad y eficiencia de esvm, logrando resultados de alto rendimiento y teniendo más genes expresados en líneas celulares de cáncer de mama bien establecidas, incluidas MD-MB231, MCF7 y HS578T. Además, esvm puede identificar (1) varios medicamentos, incluidos los aprobados clínicamente (por ejemplo, tamoxifeno y erlotinib); (2) setenta y cuatro genes únicos (incluidos genes supresores de tumores como TP53 y BRCA1); y (3) treinta y seis factores de transcripción únicos (incluidos SP1 y RELA). Se ha informado que estos resultados están vinculados a los mecanismos de respuesta a medicamentos contra el cáncer de mama, la progresión y la metástasis. Nuestro método está disponible públicamente en el servidor web maGENEgerZ.