En este documento se propone un marco computacional que fusiona la modelización mecanicista con redes neuronales profundas que siguen el Lenguaje de Marcado de Biología de Sistemas (SBML) estándar. Durante los últimos 20 años, la comunidad de biología de sistemas ha desarrollado una gran cantidad de modelos mecanicistas que actualmente se almacenan en bases de datos públicas en SBML. Con el marco propuesto, los modelos SBML existentes pueden ser rediseñados en sistemas híbridos a través de la incorporación de redes neuronales profundas en el núcleo del modelo, utilizando una herramienta de Python de libre acceso. Los modelos híbridos mecanicistas/redes neuronales así formados se entrenan con un algoritmo de aprendizaje profundo basado en el método de estimación del momento adaptativo (ADAM), regularización estocástica y ecuaciones de sensibilidad semidirecta. Los modelos híbridos entrenados se codifican en SBML y se cargan en bases de datos de modelos, donde pueden ser analizados posteriormente como modelos SBML regulares. Este enfoque se ilustra con tres estudios de caso bien conocidos: el modelo de síntesis de treonina, el modelo de transducción de señales P58IPK y el modelo de oscilaciones glicolíticas de levadura. Se espera que el marco propuesto facilite en gran medida el uso generalizado de técnicas de modelización híbrida para aplicaciones de biología de sistemas.