INTRODUÇÃO: A osteoporose representa a doença óssea mais comum em todo o mundo, sendo caracterizada por risco aumentado de fraturas, elevando as taxas de morbimortalidade. A ocorrência de efeitos colaterais da terapêutica farmacológica usada para mitigar os danos potenciais da osteoporose limita o uso desses agentes, estimulando a pesquisa de novos compostos. A catepsina K (CatK), proteína expressa pelos osteoclastos cuja inibição aumenta a massa óssea, apresenta-se como uma via para o desenvolvimento de novos tratamentos. OBJETIVO: Este estudo teve como objetivo desenvolver um modelo de inteligência artificial de busca de moléculas potenciais para o tratamento da osteoporose através da identificação de fármacos já aprovados no mercado ou moléculas testadas em ensaios biológicos que tenham como mecanismo de ação a inibição da CatK. MÉTODOS: O modelo de machine learning foi desenvolvido na plataforma Google Colab em linguagem Python3. As bibliotecas ChEMBL, pandas, numpy e rdkit foram utilizadas para a execução deste modelo. Foi usado o critério de avaliação com base no modelo Quantitative Structure-Activity Relationship (QSAR). O teste de docking molecular foi utilizado para confirmação da ligação das possíveis moléculas descobertas no sistema de inteligência artificial com o alvo CatK. Foi utilizado o recurso computacional Autodock Vina 1.2. ANOVA one-way seguido de Tukey que foi utilizado para análise dos resultados. RESULTADOS E DISCUSSÃO: Foram encontrados 3 inibidores em potencial, sendo um já relatado na literatura e dois novos ainda não referenciados, que apresentaram maior afinidade molecular com a CatK do que o composto já conhecido, o que demonstra o potencial de novos inibidores da Catk no tratamento da osteoporose. CONCLUSÃO: Demonstrou-se o efeito de interação de 3 estruturas agonistas descobertas e redirecionadas por inteligência artificial com potencial de atividade na proteína CatK. Os dados deste estudo poderão ser usados na prospecção de fármacos para o tratamento de doenças ósseas.