Las nanopartículas decoradas con fármacos (DDNPs) tienen importantes aplicaciones médicas. El trabajo actual combinó la Teoría de Perturbaciones con el Aprendizaje Automático y la Fusión de Información (PTMLIF). Así, se propusieron modelos PTMLIF para predecir la probabilidad de que los complejos nanopartícula-compuesto/fármaco tengan actividad antipalúdica (contra Plasmodium). El objetivo es ahorrar recursos experimentales y tiempo mediante el uso de un cribado virtual para DDNPs. Los datos en bruto se obtuvieron mediante la fusión de datos experimentales para nanopartículas con ensayos químicos de compuestos de la base de datos ChEMBL. Las entradas para los ocho clasificadores de Aprendizaje Automático fueron características transformadas de fármacos/compuestos y nanopartículas como perturbaciones de descriptores moleculares en condiciones experimentales específicas (características centradas en el experimento). El conjunto de datos resultante contiene 107 características de entrada y 249,992 ejemplos. El mejor modelo de clasificación fue proporcionado por Random Forest, con 27 características seleccionadas de fármacos/compuestos y nanopartículas en todas las condiciones experimentales consideradas. El alto rendimiento del modelo se demostró mediante el Área Media Bajo la Curva de Características Operativas del Receptor (AUC) en un subconjunto de prueba con un valor de 0.9921 +/- 0.000244 (validación cruzada de 10 pliegues). Los resultados demostraron el poder de la fusión de información de las características centradas en el experimento de fármacos/compuestos y nanopartículas para la predicción de la actividad antipalúdica de los compuestos nanopartícula. Los scripts y el conjunto de datos para este proyecto están disponibles en el repositorio abierto de GitHub.