En Biología de Sistemas, las complejas relaciones entre diferentes entidades en las células se modelan y analizan utilizando redes. Hacia este objetivo, se han desarrollado en los últimos años una amplia variedad de algoritmos de inferencia de redes de regulación génica (GRN). Sin embargo, la mayoría de los algoritmos se basan únicamente en datos de expresión génica para reconstruir la red. Debido a la posible similitud en los perfiles de expresión, las predicciones pueden contener conexiones entre genes biológicamente no relacionados. Por lo tanto, la información biológica previamente conocida también debería ser considerada por los métodos computacionales para obtener resultados más consistentes, como las interacciones validadas experimentalmente entre factores de transcripción y genes diana. En este trabajo, proponemos XGBoost para redes de regulación génica (XGRN), un algoritmo supervisado, que combina datos de expresión génica con interacciones previamente conocidas para la inferencia de GRN. La idea clave de nuestro método es entrenar un modelo de regresión para cada interacción conocida de la red y luego utilizar este modelo para predecir nuevas interacciones. La regresión se realiza mediante XGBoost, un algoritmo de vanguardia que utiliza un conjunto de árboles de decisión. En detalle, XGRN aprende un modelo de regresión basado en la expresión génica de los dos interactores y luego proporciona predicciones utilizando como entrada la expresión génica de otros interactores candidatos. La aplicación en conjuntos de datos de referencia y un experimento real de secuenciación de ARN de células individuales resultó en un alto rendimiento en comparación con otros métodos no supervisados y supervisados, demostrando la capacidad de XGRN para proporcionar predicciones fiables.