Los efectos secundarios de los medicamentos (DSE) o reacciones adversas a los medicamentos (ADR) son una gran preocupación en la industria de la salud, representando un número significativo de muertes anuales solo en Europa. Identificar y predecir los DSE de manera temprana en el proceso de desarrollo de medicamentos es crucial para mitigar su impacto en la salud pública y reducir el tiempo y los costos asociados con el desarrollo de medicamentos. Objetivo: En este estudio, nuestro objetivo principal es predecir múltiples efectos secundarios de medicamentos utilizando estructuras químicas 2D, especialmente para COVID-19, alejándonos del enfoque convencional de depender de estructuras químicas 1D. Nuestro objetivo es desarrollar un modelo novedoso para la predicción de DSE que aproveche la arquitectura de aprendizaje por transferencia basada en CNN de ResNet152V2. Motivación: La motivación detrás de esta investigación proviene de la necesidad de mejorar la eficiencia y precisión de la predicción de DSE, permitiendo a la industria farmacéutica identificar candidatos a medicamentos potenciales con menos efectos adversos. Al utilizar estructuras químicas 2D y emplear técnicas de aumento de datos, buscamos revolucionar el campo de la predicción de efectos secundarios de medicamentos. Novedad: Este estudio introduce varios aspectos novedosos. El estudio propuesto es el primero de su tipo en utilizar estructuras químicas 2D para predecir efectos secundarios de medicamentos, alejándose de los enfoques convencionales 1D. En segundo lugar, empleamos aumento de datos con modelos tanto convencionales como basados en difusión (Pix2Pix), una estrategia única en el campo. Estas innovaciones preparan el terreno para un enfoque más avanzado y preciso en la predicción de DSE. Resultados: Nuestro modelo propuesto, llamado CHEM2SIDE, logró una impresionante precisión promedio de entrenamiento del 0.78. Además, la precisión promedio de validación y prueba, así como la precisión y el recall, fueron todos de 0.73. Al evaluarse para medicamentos COVID-19, nuestro modelo mostró una precisión de 0.72, una precisión de 0.79, un recall de 0.72 y un puntaje F1 de 0.73. Las evaluaciones comparativas contra modelos establecidos de aprendizaje por transferencia y aprendizaje automático (VGG16, MobileNetV2, DenseNet121 y KNN) mostraron el rendimiento excepcional de CHEM2SIDE, marcando un avance significativo en la predicción de efectos secundarios de medicamentos. Conclusiones: Nuestro estudio introduce un enfoque innovador para predecir efectos secundarios de medicamentos utilizando estructuras químicas 2D e incorporando aumento de datos. El modelo CHEM2SIDE demuestra una precisión notable y supera a los modelos existentes, ofreciendo una solución prometedora a los desafíos que plantean los DSE en el desarrollo de medicamentos. Esta investigación tiene un gran potencial para mejorar la seguridad de los medicamentos y reducir el tiempo y los costos asociados.