El ritmo circadiano juega un papel crucial en la regulación de procesos biológicos, y su alteración está vinculada a diversos problemas de salud. Identificar pequeñas moléculas que influyen en el período circadiano es esencial para desarrollar terapias dirigidas. Este estudio explora el uso de técnicas de optimización evolutiva para mejorar la clasificación de estas moléculas. Aplicamos un algoritmo genético para optimizar la selección de características y el rendimiento de clasificación. Varios algoritmos de clasificación basados en árboles (Árboles de Decisión, Árboles Extra, Bosques Aleatorios, XGBoost) y un clasificador basado en distancias (NN) fueron empleados. Su rendimiento fue evaluado utilizando precisión y puntuación F1, considerando su capacidad de generalización con un conjunto de validación. Los hallazgos demuestran que el algoritmo genético propuesto mejora la precisión de clasificación y reduce el sobreajuste en comparación con los modelos de referencia. Además, el uso de la varianza en la precisión como factor de penalización puede mejorar la fiabilidad del modelo para aplicaciones del mundo real. Nuestro estudio confirma que la optimización evolutiva es una estrategia efectiva para clasificar pequeñas moléculas que regulan el ritmo circadiano. El enfoque propuesto no solo mejora el rendimiento predictivo, sino que también garantiza un modelo más robusto.