La predicción precisa de la localización subcelular de las proteínas virales es crucial para entender sus funciones y desarrollar medicamentos antivirales efectivos. Sin embargo, esta tarea representa un desafío significativo, especialmente cuando se depende de experimentos biológicos clásicos costosos y que consumen mucho tiempo. En este estudio, introdujimos un modelo computacional llamado E-MuLA, basado en una red de aprendizaje profundo que combina múltiples módulos de atención local para mejorar la extracción de características de las secuencias de proteínas. El rendimiento superior de E-MuLA se ha demostrado a través de extensas comparaciones con LSTM, CNN, AdaBoost, árboles de decisión, KNN y otros métodos de vanguardia. Es notable que E-MuLA logró una precisión del 94.87%, una especificidad del 98.81% y una sensibilidad del 84.18%, lo que indica que E-MuLA tiene el potencial de convertirse en una herramienta efectiva para predecir la localización subcelular de virus.