Como parte importante de la vigilancia inmunitaria, el complejo mayor de histocompatibilidad (MHC) es un conjunto de proteínas que reconocen moléculas extranjeras. Se han desarrollado métodos de predicción computacional para péptidos que se unen al MHC. Sin embargo, los métodos existentes comparten la limitación de una longitud de secuencia de péptido fija, lo que requiere el entrenamiento de modelos por longitud de péptido o la predicción con una técnica de reducción de longitud. Utilizando una red neuronal de memoria a corto y largo plazo bidireccional, construimos BVMHC, una herramienta de predicción de unión del MHC de clase I y II que es independiente de la longitud del péptido. El rendimiento de BVMHC se comparó con siete herramientas de predicción de MHC de clase I y tres herramientas de predicción de MHC de clase II utilizando ocho criterios de rendimiento de manera independiente. BVMHC alcanzó el mejor rendimiento en tres de los ocho criterios para MHC de clase I, y el mejor rendimiento en cuatro de los ocho criterios para MHC de clase II, incluyendo precisión y AUC. Además, se entrenaron modelos para especies no humanas utilizando la misma estrategia y se pusieron a disposición para aplicaciones en ratones, chimpancés, macacos y ratas. BVMHC está compuesto por una serie de predictores de unión al MHC de clase I y II independientes de la longitud del péptido. Los modelos de este estudio se han implementado en un portal web en línea para un fácil acceso y uso.