El perceptrón multicapa (PMC), figura dentro de los tipos de redes neuronales artificiales (RNA) que mejores resultados ha aportado en los estudios de relación estructura-actividad. Se conoce que los volúmenes de datos previstos para procesar en proyectos de Bioinformática son eventualmente grandes, por lo que se propuso evaluar algoritmos para acortar el tiempo de entrenamiento de la red sin afectar su eficiencia, a fin de utilizarlos en estos proyectos. Se evaluaron diferentes herramientas que trabajan con las RNA de las cuales se seleccionó el Weka para extraer el algoritmo de la red y la Plataforma de Tareas Distribuidas Tarenal para distribuir el entrenamiento del perceptrón multicapa. Finalmente se desarrollaron dos procedimientos que permiten realizar el entrenamiento local y distribuido del PMC con la posibilidad de variar las funciones de transferencias. Se demostró que en dependencia de la muestra de entrenamiento, la variación de las funciones de transferencias pueden reportar resultados mucho más eficientes que los obtenidos con la clásica función Sigmoidal, con incremento de la g-media entre el 4,5 y el 17%. Por otra parte se encontró que en los entrenamientos distribuidos es posible alcanzar eventualmente mejores resultados que los logrados en ambiente local.