O avanço das tecnologias de sequenciamento genético proporcionou um crescimento exponencial na disponibilidade de dados biológicos, impondo novos desafios à inferência filogenética tradicional, especialmente quanto à escalabilidade e à precisão dos modelos evolutivos. Esta monografia investiga o uso de algoritmos de Aprendizado de Máquina como alternativa inovadora aos métodos clássicos, como Máxima Verossimilhança e Inferência Bayesiana, na reconstrução de topologias filogenéticas. O objetivo principal do estudo é desenvolver e validar um modelo preditivo baseado em Aprendizado de Máquina capaz de inferir topologias filogenéticas a partir de sequências genéticas. A pesquisa segue a metodologia Design Science Research e compreende etapas como preparação dos dados, alinhamento múltiplo de sequências, extração de atributos e desenvolvimento do modelo com Redes Neurais. O desempenho do modelo foi comparado a abordagens tradicionais, avaliando sua eficácia em termos de precisão e eficiência computacional. Os resultados demonstram que técnicas de Aprendizado de Máquina podem oferecer uma solução escalável, robusta e adaptável para análise filogenética, principalmente em cenários que exigem respostas rápidas, como em estudos genômicos de doenças emergentes. Assim, esta pesquisa contribui para a bioinformática e biologia evolutiva ao propor uma abordagem complementar e promissora para a inferência filogenética moderna