La comunidad científica ha reconocido el desafío que representa la clasificación de enzimas en el campo de la bioinformática. En este estudio, presentamos la implementación de un clasificador basado en representaciones vectoriales de secuencias, autoencoders anómalos y redes convolucionales para caracterizar quitinasas pertenecientes a las hidrolasas de glicosilos, utilizando el lenguaje de programación Python y el framework TensorFlow. El rendimiento del modelo de aprendizaje profundo se compara con un modelo construido mediante XGBoost. El clasificador consta de tres niveles que determinan si una proteína es una enzima, si es una hidrolasa y cuál es su actividad enzimática, teniendo en cuenta la baja representatividad de estas enzimas en la base de datos Ca-zy.org. Los resultados de los dos primeros niveles del clasificador fueron similares tanto para las redes neuronales como para el modelo XGBoost, con una precisión aproximada del 90%. Las soluciones propuestas se comparan con las de Protinfer. Además, se explora el proteoma de Bacillus spp. en busca de posibles enzimas de estas clases y los resultados se comparan con los de Protinfer. Para interpretar y evaluar la importancia de las características, se aplicó el marco SHAP (SHapley Additive exPlanations) a las predicciones generadas por el modelo XGBoost.