La clasificación de enzimas sigue siendo un reto para la bioinformática, sobre todo en el caso de las quitinasas de las familias de glucósido hidrolasas GH18 y GH19. Los métodos tradicionales, como la alineación de secuencias, tienen dificultades para distinguir enzimas funcionalmente distintas con similitudes estructurales. Este estudio aborda estas limitaciones mediante el desarrollo de un clasificador explicable que utiliza Grandes Modelos de Lenguaje(LLMs) para identificar quitinasas. Aprovechando el modelo ProtT5 preentrenado, se aplicó el aprendizaje por transferencia a través de Low-Rank Adaptation(LoRA), lo que permitió un ajuste fino eficiente a la vez que se preservaban los conocimientos fundamentales del modelo. Se construyó un conjunto de datos equilibrado con secuencias de familias de quitinasas y no quitinasas, al que se añadieron secuencias de proteínas invertidas. La arquitectura del modelo incorporó una red neuronal feed-forward para la clasificación e Integrated Gradients para interpretar la influencia de aminoácidos específicos en las predicciones. El entrenamiento alcanzó un rendimiento casi perfecto en el conjunto de entrenamiento y el conjunto de prueba demostró una alta precisión, con clasificaciones erróneas limitadas a secuencias no quitinasas de subfamilias similares. Los resultados fueron comparados con otros modelos como ECPICK y CLEAN. El análisis de explicabilidad reveló distintas regiones de aminoácidos críticas para la clasificación. Estos datos subrayan la capacidad del modelo para captar características biológicamente relevantes. El estudio demuestra que los LLMs, cuando se combinan con un ajuste fino eficiente de los parámetros y un aumento de los datos, ofrecen una solución robusta para clasificar enzimas infrarrepresentadas.