acp-classifier

Clasificación de péptidos anticancerígenos (ACPs) a partir de secuencias en formato FASTA, mediante representaciones contextuales generadas por el modelo de lenguaje proteico ESM-2 y un clasificador de Regresión Logística.

Desarrollado como trabajo de grado en la Escuela de Ingeniería de Sistemas e Informática de la Universidad Industrial de Santander.

---

Por qué existe

Las herramientas de referencia para predicción de ACPs —AntiCP 2.0, MLACP 2.0, mACPpred 2.0, ACP-EPC— están disponibles únicamente como servidores web, o como repositorios sin empaquetar. Ninguna se instala mediante gestores estándar, lo que dificulta su integración en flujos de trabajo bioinformáticos automatizados.

acp-classifier se instala con pip, se ejecuta desde consola y no requiere GPU.

Desempeño

Evaluado sobre el conjunto de prueba independiente oficial de mACPpred 2.0 (610 ACPs y 2.760 no-ACPs), sin haber visto ninguna de esas secuencias durante el entrenamiento:

Métrica	Valor
AUC-ROC	0.8745
F1-score	0.6230
Exactitud	0.8362
MCC	0.5341

Como referencia, sobre ese mismo conjunto mACPpred 2.0 reporta un AUC-ROC de 0.887 y MLACP 2.0 uno de 0.893. Este paquete no supera a ninguna de las dos, pero sí a las otras nueve herramientas con AUC-ROC publicado sobre el conjunto —entre ellas mACPpred (0.842), iDACP (0.852) y AntiCP 2.0 en su variante alterna (0.835)—, y lo hace con un modelo de ocho millones de parámetros y un clasificador lineal, sin GPU en inferencia.

El conjunto de evaluación está desbalanceado (18,1 % de positivos). Por ese motivo se reporta AUC-ROC como métrica principal, junto con F1 y MCC, y no la exactitud: un clasificador que asignara siempre la clase mayoritaria obtendría un 81,9 % de exactitud sin haber aprendido nada.

Instalación

pip install acp-classifier

Desde el código fuente:

git clone https://github.com/ivan2171977/acp-classifier.git
cd acp-classifier
pip install -e .

Con Conda:

conda env create -f environment.yml
conda activate acp-classifier

Requiere Python 3.9 o superior. La primera ejecución descarga el modelo ESM-2 8M (~31 MB) desde HuggingFace y lo deja en caché local.

Uso desde consola

# Resultados por pantalla
acp-classifier -i peptidos.fasta

# Resultados a un archivo CSV
acp-classifier -i peptidos.fasta -o resultados.csv

# Umbral de decisión más exigente
acp-classifier -i peptidos.fasta -o resultados.csv --umbral 0.8

Opciones:

Opción	Descripción	Por defecto
-i, --input	Archivo FASTA de entrada (obligatorio)	—
-o, --output	Archivo CSV de salida	pantalla
-u, --umbral	Probabilidad mínima para clasificar como ACP	0.5
-b, --batch-size	Secuencias procesadas por lote	32
-m, --modelo	Artefacto .joblib alternativo	el incluido
-q, --quiet	Suprime los mensajes de progreso	—

Entrada

Un archivo FASTA estándar, con una o varias secuencias. Se admiten registros repartidos en varias líneas. Los residuos no estándar (X, B, Z, U, O) se descartan, igual que durante el entrenamiento.

>peptido_1
GLFSVVTGVLKAVGKNVAKNVGGSLLEQLKCKKISGGC
>peptido_2
NNEQIRRFSQVLLDAGIVTTIRKTRGDDIDA

Salida

identificador,secuencia,longitud,probabilidad_acp,prediccion
peptido_1,GLFSVVTGVLKAVGKNVAKNVGGSLLEQLKCKKISGGC,38,0.7350,ACP
peptido_2,NNEQIRRFSQVLLDAGIVTTIRKTRGDDIDA,31,0.0643,no-ACP

Uso desde Python

from acp_classifier import AcpClassifier

clf = AcpClassifier()

# Desde secuencias
for p in clf.predecir_secuencias(["GIGKFLHSAKKFGKAFVGEIMNS"]):
    print(p.identificador, p.probabilidad_acp, p.prediccion)

# Desde un archivo FASTA
predicciones = clf.predecir_fasta("peptidos.fasta", umbral=0.7)

# Solo las probabilidades, como arreglo de NumPy
probas = clf.probabilidades(["GIGKFLHSAKKFGKAFVGEIMNS", "AAAAAAAAAA"])

Cómo funciona

FASTA → limpieza → ESM-2 8M → mean pooling → StandardScaler → Regresión Logística → CSV
        (20 aa)    (320 dim)                                    (C=0.01, saga)

1. Lectura y limpieza. Se conservan únicamente los 20 aminoácidos estándar.
2. Embeddings. esm2_t6_8M_UR50D genera un vector de 320 dimensiones por secuencia, promediando los estados ocultos de la última capa.
3. Normalización. StandardScaler ajustado sobre el conjunto de entrenamiento.
4. Clasificación. Regresión Logística (C=0.01, solver saga), entrenada sobre las 2.352 secuencias de Training.fasta de mACPpred 2.0.

Por qué el modelo más pequeño

Durante el trabajo se evaluaron ESM-2 8M, ESM-2 150M y ProtBERT. ESM-2 8M obtuvo el mejor desempeño, pese a ser el de menor capacidad. Los péptidos del conjunto de evaluación tienen una longitud mediana de 9 residuos: sobre secuencias tan cortas, las representaciones de mayor dimensionalidad no aportan poder discriminante y favorecen el sobreajuste.

Esto tiene una consecuencia práctica: el modelo con mejor desempeño es también el de menores requisitos (31 MB frente a los 1,7 GB de ProtBERT), lo que permite ejecutarlo sin GPU.

Reproducir el entrenamiento

python entrenar_modelo.py

Regenera el artefacto desde los FASTA de mACPpred 2.0, compara las dos estrategias de agregación implementadas e imprime las métricas sobre el conjunto de prueba independiente. Toma alrededor de un minuto sobre CPU.

Pruebas

pip install -e ".[dev]"
pytest -q

Limitaciones

• La validación es exclusivamente computacional (TRL 4). Una predicción positiva es una hipótesis a verificar experimentalmente, no una afirmación de actividad biológica.
• El modelo fue entrenado sobre péptidos de entre 6 y 50 residuos. Su comportamiento fuera de ese rango no ha sido caracterizado.
• Existe un desplazamiento de distribución conocido entre los conjuntos de entrenamiento y prueba del benchmark: los ACPs de entrenamiento tienen una longitud mediana de 20 residuos frente a 9 en el conjunto de prueba.
• El desempeño está caracterizado sobre un único benchmark (mACPpred 2.0).

Datos

Conjunto de referencia de mACPpred 2.0 (Sangaraju et al., 2024): 1.176 ACPs y 1.176 no-ACPs para entrenamiento; 610 ACPs y 2.760 no-ACPs para prueba independiente.

Citación

@software{acp_classifier_2026,
  title  = {acp-classifier: clasificación de péptidos anticancerígenos
            mediante modelos de lenguaje proteico},
  author = {Navarro Sinuco, Brayan Arturo and Mendoza Oñate, Ivan Andres},
  year   = {2026},
  school = {Universidad Industrial de Santander},
  url    = {https://github.com/ivan2171977/acp-classifier}
}

Referencias

• Lin, Z. et al. (2023). Evolutionary-scale prediction of atomic level protein structure with a language model. Science, 379(6637), 1123–1130.
• Sangaraju, V. K. et al. (2024). mACPpred 2.0: Stacked deep learning for anticancer peptide prediction. Journal of Molecular Biology, 436(17), 168687.
• Pedregosa, F. et al. (2011). Scikit-learn: Machine learning in Python. JMLR, 12, 2825–2830.
• Wolf, T. et al. (2020). Transformers: State-of-the-art natural language processing. EMNLP: System Demonstrations, 38–45.

Licencia

MIT. Véase LICENSE.