La integración de datos de alto rendimiento para construir modelos computacionales predictivos del metabolismo celular es un gran desafío de la biología de sistemas. Estos modelos son necesarios para predecir las respuestas celulares a perturbaciones genéticas y ambientales. Típicamente, esta respuesta implica tanto regulaciones metabólicas relacionadas con las propiedades cinéticas de las enzimas como una regulación genética que afecta sus concentraciones. Por lo tanto, se requiere la integración de la información regulatoria transcripcional para mejorar la precisión y la capacidad predictiva de los modelos metabólicos. El modelado integrativo es de suma importancia para guiar la búsqueda de diversas aplicaciones, como el descubrimiento de nuevos objetivos potenciales para fármacos y el desarrollo de estrategias terapéuticas eficientes para diversas enfermedades. En este artículo, proponemos un modelo predictivo integrativo basado en técnicas que combinan la web semántica, el modelado probabilístico y los métodos de modelado basado en restricciones. Aplicamos nuestro enfoque al metabolismo del cáncer humano para predecir in silico la respuesta de crecimiento de células cancerosas específicas bajo los efectos de fármacos aprobados. Nuestro método ha demostrado ser exitoso en la predicción de las tasas de biomasa de células de cáncer de hígado humano bajo perturbaciones transcripcionales inducidas por fármacos.