En el análisis de datos de alta dimensionalidad, los efectos principales y los efectos de interacción a menudo coexisten, especialmente cuando se presentan relaciones no lineales complejas. La selección efectiva de variables es crucial para evitar la maldición de la dimensionalidad y mejorar el rendimiento predictivo de un modelo. En este documento, introducimos una estructura de interacción no lineal en el modelo de regresión cuantílica aditiva y proponemos un método de penalización innovador. Este método considera la complejidad y suavidad del modelo aditivo e incorpora restricciones de herencia en los efectos principales y los efectos de interacción a través de un algoritmo de regularización mejorado bajo el principio de marginalidad. También establecemos las propiedades asintóticas del estimador penalizado y proporcionamos el riesgo excesivo correspondiente. Nuestras simulaciones de Monte Carlo ilustran el modelo y método propuestos, que luego se aplican al análisis de puntuaciones de evaluación de la enfermedad de Parkinson y verifican la efectividad de un novedoso tratamiento para la enfermedad de Parkinson (PD).