Introducción: La solubilidad es una de las propiedades fisicoquímicas más importantes en las ciencias farmacéuticas, esta propiedad está involucrada en diversos procesos, desde el desarrollo de fármacos hasta la evaluación de la biotoxicidad en el campo ambiental. La predicción precisa de la solubilidad, particularmente la solubilidad acuosa, ha sido un desafío científico debido a la complejidad del proceso de disolución, que involucra energías de red, solvatación, ionización del soluto e interacciones soluto-solvente. Si bien se han utilizado diversos enfoques para predecir la solubilidad, como modelos semiempíricos y métodos de contribución de grupos, la predicción precisa sigue siendo difícil. Los enfoques estadísticos y de aprendizaje automático a menudo emplean numerosos descriptores, lo que dificulta la interpretación racional y el perfeccionamiento de los modelos de predicción. Objetivo: Este estudio se propone un enfoque basado en el aprendizaje autónomo, específicamente mediante un modelo de red neuronal. Se seleccionan cuidadosamente descriptores experimentales y teóricos de acuerdo con su relevancia para los aspectos fisicoquímicos del proceso de disolución. Metodología: Se utiliza un conjunto de datos de solubilidad de cuatro sulfonamidas estructuralmente relacionadas (sulfadiazina, sulfamerazina, sulfametazina y sulfacetamida) en varios solventes bajo diferentes condiciones de temperatura y composición de cosolvente, desarrollando un modelo de redes neuronales artificiales utilizando bajo 37 descriptores. Resultados: El algoritmo de IA desarrollado muestra una correlación aceptable con los datos experimentales, lo que sugiere su potencial como herramienta de aproximación para optimizar los procesos relacionados con la solubilidad en la industria farmacéutica.