Los péptidos bioactivos desempeñan roles esenciales en varios procesos biológicos y tienen un importante potencial terapéutico. Sin embargo, predecir las funciones de estos péptidos es un desafío debido a su diversidad y complejidad. Aquí, desarrollamos TF-BAPred, un marco para la predicción universal de péptidos que incorpora múltiples representaciones de características. TF-BAPred alimenta secuencias originales de péptidos en tres módulos paralelos: una característica novedosa propuesta en este estudio llamada FVG extrae las características globales de cada secuencia de péptidos; un módulo de reconocimiento automático de características basado en una red convolucional temporal extrae las características temporales; y un módulo integra múltiples características ampliamente utilizadas como AAC, DPC, BPF, RSM y CKSAAGP. En particular, FVG construye un grafo de vector de tamaño fijo para representar el patrón global capturando la estructura topológica entre los aminoácidos. Evaluamos el rendimiento de TF-BAPred y otros predictores de péptidos en diferentes tipos de péptidos, incluidos péptidos anticancerígenos, antimicrobianos y péptidos penetrantes en células. Las pruebas de referencia demuestran que TF-BAPred muestra una fuerte generalización y robustez en la predicción de varios tipos de secuencias de péptidos, resaltando su potencial para aplicaciones en ingeniería biomédica.