acp-classifier 1.0.0__tar.gz

acp_classifier-1.0.0/LICENSE

@@ -0,0 +1,22 @@
+MIT License
+
+Copyright (c) 2026 Brayan Arturo Navarro Sinuco, Ivan Andres Mendoza Oñate
+Universidad Industrial de Santander — Escuela de Ingeniería de Sistemas e Informática
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

acp_classifier-1.0.0/PKG-INFO

@@ -0,0 +1,245 @@
+Metadata-Version: 2.4
+Name: acp-classifier
+Version: 1.0.0
+Summary: Clasificación de péptidos anticancerígenos (ACPs) mediante modelos de lenguaje proteico
+Author: Brayan Arturo Navarro Sinuco, Ivan Andres Mendoza Oñate
+Maintainer: Escuela de Ingeniería de Sistemas e Informática, Universidad Industrial de Santander
+License-Expression: MIT
+Project-URL: Homepage, https://github.com/ivan2171977/acp-classifier
+Project-URL: Repository, https://github.com/ivan2171977/acp-classifier
+Project-URL: Issues, https://github.com/ivan2171977/acp-classifier/issues
+Keywords: bioinformatics,anticancer-peptides,acp,protein-language-model,esm2,peptide-classification,machine-learning
+Classifier: Development Status :: 4 - Beta
+Classifier: Intended Audience :: Science/Research
+Classifier: Operating System :: OS Independent
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Classifier: Topic :: Scientific/Engineering :: Bio-Informatics
+Requires-Python: >=3.9
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Requires-Dist: numpy>=1.21
+Requires-Dist: joblib>=1.1
+Requires-Dist: torch>=1.11
+Requires-Dist: transformers>=4.20
+Provides-Extra: dev
+Requires-Dist: pytest>=7.0; extra == "dev"
+Requires-Dist: scikit-learn>=1.0; extra == "dev"
+Dynamic: license-file
+
+# 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
+
+```bash
+pip install acp-classifier
+```
+
+Desde el código fuente:
+
+```bash
+git clone https://github.com/ivan2171977/acp-classifier.git
+cd acp-classifier
+pip install -e .
+```
+
+Con Conda:
+
+```bash
+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
+
+```bash
+# 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.
+
+```fasta
+>peptido_1
+GLFSVVTGVLKAVGKNVAKNVGGSLLEQLKCKKISGGC
+>peptido_2
+NNEQIRRFSQVLLDAGIVTTIRKTRGDDIDA
+```
+
+### Salida
+
+```csv
+identificador,secuencia,longitud,probabilidad_acp,prediccion
+peptido_1,GLFSVVTGVLKAVGKNVAKNVGGSLLEQLKCKKISGGC,38,0.7350,ACP
+peptido_2,NNEQIRRFSQVLLDAGIVTTIRKTRGDDIDA,31,0.0643,no-ACP
+```
+
+## Uso desde Python
+
+```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
+
+```bash
+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
+
+```bash
+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
+
+```bibtex
+@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](LICENSE).

acp_classifier-1.0.0/README.md

@@ -0,0 +1,213 @@
+# 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
+
+```bash
+pip install acp-classifier
+```
+
+Desde el código fuente:
+
+```bash
+git clone https://github.com/ivan2171977/acp-classifier.git
+cd acp-classifier
+pip install -e .
+```
+
+Con Conda:
+
+```bash
+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
+
+```bash
+# 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.
+
+```fasta
+>peptido_1
+GLFSVVTGVLKAVGKNVAKNVGGSLLEQLKCKKISGGC
+>peptido_2
+NNEQIRRFSQVLLDAGIVTTIRKTRGDDIDA
+```
+
+### Salida
+
+```csv
+identificador,secuencia,longitud,probabilidad_acp,prediccion
+peptido_1,GLFSVVTGVLKAVGKNVAKNVGGSLLEQLKCKKISGGC,38,0.7350,ACP
+peptido_2,NNEQIRRFSQVLLDAGIVTTIRKTRGDDIDA,31,0.0643,no-ACP
+```
+
+## Uso desde Python
+
+```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
+
+```bash
+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
+
+```bash
+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
+
+```bibtex
+@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](LICENSE).

acp_classifier-1.0.0/pyproject.toml

@@ -0,0 +1,57 @@
+[build-system]
+requires = ["setuptools>=77", "wheel"]
+build-backend = "setuptools.build_meta"
+
+[project]
+name = "acp-classifier"
+version = "1.0.0"
+description = "Clasificación de péptidos anticancerígenos (ACPs) mediante modelos de lenguaje proteico"
+readme = "README.md"
+requires-python = ">=3.9"
+license = "MIT"
+license-files = ["LICENSE"]
+authors = [
+    { name = "Brayan Arturo Navarro Sinuco" },
+    { name = "Ivan Andres Mendoza Oñate" },
+]
+maintainers = [
+    { name = "Escuela de Ingeniería de Sistemas e Informática, Universidad Industrial de Santander" },
+]
+keywords = [
+    "bioinformatics", "anticancer-peptides", "acp", "protein-language-model",
+    "esm2", "peptide-classification", "machine-learning",
+]
+classifiers = [
+    "Development Status :: 4 - Beta",
+    "Intended Audience :: Science/Research",
+    "Operating System :: OS Independent",
+    "Programming Language :: Python :: 3",
+    "Programming Language :: Python :: 3.9",
+    "Programming Language :: Python :: 3.10",
+    "Programming Language :: Python :: 3.11",
+    "Programming Language :: Python :: 3.12",
+    "Topic :: Scientific/Engineering :: Bio-Informatics",
+]
+dependencies = [
+    "numpy>=1.21",
+    "joblib>=1.1",
+    "torch>=1.11",
+    "transformers>=4.20",
+]
+
+[project.optional-dependencies]
+dev = ["pytest>=7.0", "scikit-learn>=1.0"]
+
+[project.urls]
+Homepage = "https://github.com/ivan2171977/acp-classifier"
+Repository = "https://github.com/ivan2171977/acp-classifier"
+Issues = "https://github.com/ivan2171977/acp-classifier/issues"
+
+[project.scripts]
+acp-classifier = "acp_classifier.cli:main"
+
+[tool.setuptools.packages.find]
+where = ["src"]
+
+[tool.setuptools.package-data]
+acp_classifier = ["modelos/*.joblib"]

acp_classifier-1.0.0/setup.cfg

@@ -0,0 +1,4 @@
+[egg_info]
+tag_build = 
+tag_date = 0
+

acp_classifier-1.0.0/src/acp_classifier/__init__.py

@@ -0,0 +1,20 @@
+"""acp-classifier — clasificación de péptidos anticancerígenos.
+
+Universidad Industrial de Santander
+Escuela de Ingeniería de Sistemas e Informática
+Trabajo de grado, 2026
+"""
+
+__version__ = "1.0.0"
+
+from .fasta import ErrorFasta, Peptido, leer_fasta
+from .predictor import AcpClassifier, Prediccion
+
+__all__ = [
+    "AcpClassifier",
+    "Prediccion",
+    "Peptido",
+    "leer_fasta",
+    "ErrorFasta",
+    "__version__",
+]

acp_classifier-1.0.0/src/acp_classifier/cli.py

@@ -0,0 +1,92 @@
+"""Interfaz de línea de comandos de acp-classifier."""
+
+from __future__ import annotations
+
+import argparse
+import csv
+import sys
+from pathlib import Path
+
+from . import __version__
+from .fasta import ErrorFasta
+
+CAMPOS = ["identificador", "secuencia", "longitud", "probabilidad_acp", "prediccion"]
+
+
+def construir_parser() -> argparse.ArgumentParser:
+    p = argparse.ArgumentParser(
+        prog="acp-classifier",
+        description="Clasificación de péptidos anticancerígenos (ACPs) a partir de "
+        "secuencias en formato FASTA, mediante embeddings de ESM-2 y "
+        "Regresión Logística.",
+        epilog="Ejemplo:  acp-classifier -i peptidos.fasta -o resultados.csv",
+        formatter_class=argparse.ArgumentDefaultsHelpFormatter,
+    )
+    p.add_argument("-i", "--input", required=True, metavar="FASTA",
+                   help="archivo FASTA de entrada con una o varias secuencias")
+    p.add_argument("-o", "--output", metavar="CSV",
+                   help="archivo CSV de salida (por defecto se imprime en pantalla)")
+    p.add_argument("-u", "--umbral", type=float, default=0.5, metavar="P",
+                   help="probabilidad mínima para clasificar como ACP")
+    p.add_argument("-b", "--batch-size", type=int, default=32, metavar="N",
+                   help="secuencias procesadas por lote")
+    p.add_argument("-m", "--modelo", metavar="RUTA",
+                   help="artefacto .joblib alternativo (por defecto, el incluido)")
+    p.add_argument("-q", "--quiet", action="store_true",
+                   help="suprime los mensajes de progreso")
+    p.add_argument("--version", action="version", version=f"acp-classifier {__version__}")
+    return p
+
+
+def main(argv: list[str] | None = None) -> int:
+    args = construir_parser().parse_args(argv)
+
+    if not 0.0 < args.umbral < 1.0:
+        print("Error: el umbral debe estar entre 0 y 1 (exclusivos).", file=sys.stderr)
+        return 2
+
+    def log(mensaje: str) -> None:
+        if not args.quiet:
+            print(mensaje, file=sys.stderr)
+
+    try:
+        from .predictor import AcpClassifier
+
+        log("Cargando modelo...")
+        clf = AcpClassifier(args.modelo)
+
+        log(f"Leyendo {args.input}...")
+        predicciones = clf.predecir_fasta(args.input, args.umbral, args.batch_size)
+
+    except ErrorFasta as e:
+        print(f"Error de lectura: {e}", file=sys.stderr)
+        return 1
+    except FileNotFoundError as e:
+        print(f"Archivo no encontrado: {e}", file=sys.stderr)
+        return 1
+    except Exception as e:  # noqa: BLE001 - la CLI no debe volcar trazas al usuario
+        print(f"Error: {type(e).__name__}: {e}", file=sys.stderr)
+        return 1
+
+    filas = [p.como_dict() for p in predicciones]
+
+    if args.output:
+        destino = Path(args.output)
+        destino.parent.mkdir(parents=True, exist_ok=True)
+        with destino.open("w", newline="", encoding="utf-8") as fh:
+            escritor = csv.DictWriter(fh, fieldnames=CAMPOS)
+            escritor.writeheader()
+            escritor.writerows(filas)
+        log(f"Resultados guardados en {destino}")
+    else:
+        escritor = csv.DictWriter(sys.stdout, fieldnames=CAMPOS)
+        escritor.writeheader()
+        escritor.writerows(filas)
+
+    n_acp = sum(f["prediccion"] == "ACP" for f in filas)
+    log(f"\n{len(filas)} secuencias analizadas: {n_acp} ACP, {len(filas) - n_acp} no-ACP")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())