Discovery and development of biopeptides are time‐consuming, laborious, and dependent on various factors. Data‐driven computational methods, especially machine learning (ML) approach, can rapidly and efficiently predict the utility of therapeutic peptides. ML methods offer an array of tools that can accelerate and enhance decision making and discovery for well‐defined queries with ample and sophisticated data quality. Various ML approaches, such as support vector machines, random forest, extremely randomized tree, and more recently deep learning methods, are useful in peptide‐based drug discovery. These approaches leverage the peptide data sets, created via high‐throughput sequencing and computational methods, and enable the prediction of functional peptides with increased levels of accuracy. The use of ML approaches in the development of peptide‐based therapeutics is relatively recent; however, these techniques are already revolutionizing protein research by unraveling their novel therapeutic peptide functions. In this review, we discuss several ML‐based state‐of‐the‐art peptide‐prediction tools and compare these methods in terms of their algorithms, feature encodings, prediction scores, evaluation methodologies, and software utilities. We also assessed the prediction performance of these methods using well‐constructed independent data sets. In addition, we discuss the common pitfalls and challenges of using ML approaches for peptide therapeutics. Overall, we show that using ML models in peptide research can streamline the development of targeted peptide therapies.

中文翻译：

---

肽疗法中的机器智能：用于快速疾病筛查的下一代工具。

生物肽的发现和开发既费时又费力，并且取决于多种因素。数据驱动的计算方法，尤其是机器学习 (ML) 方法，可以快速有效地预测治疗肽的效用。ML 方法提供了一系列工具，可以加速和增强具有充足和复杂数据质量的明确查询的决策制定和发现。各种 ML 方法，例如支持向量机、随机森林、极度随机化树和最近的深度学习方法，在基于肽的药物发现中很有用。这些方法利用通过高通量测序和计算方法创建的肽数据集，并能够以更高的准确度预测功能性肽。使用 ML 方法开发基于肽的疗法是相对较新的；然而，这些技术已经通过揭示其新的治疗肽功能来彻底改变蛋白质研究。在这篇综述中，我们讨论了几种基于 ML 的最先进的肽预测工具，并在算法、特征编码、预测分数、评估方法和软件实用程序方面比较了这些方法。我们还使用构建良好的独立数据集评估了这些方法的预测性能。此外，我们讨论了使用 ML 方法进行肽疗法的常见陷阱和挑战。总的来说，我们表明在肽研究中使用 ML 模型可以简化靶向肽疗法的开发。这些技术已经通过揭示其新的治疗肽功能来彻底改变蛋白质研究。在这篇综述中，我们讨论了几种基于 ML 的最先进的肽预测工具，并在算法、特征编码、预测分数、评估方法和软件实用程序方面比较了这些方法。我们还使用构建良好的独立数据集评估了这些方法的预测性能。此外，我们讨论了使用 ML 方法进行肽疗法的常见陷阱和挑战。总的来说，我们表明在肽研究中使用 ML 模型可以简化靶向肽疗法的开发。这些技术已经通过揭示其新的治疗肽功能来彻底改变蛋白质研究。在这篇综述中，我们讨论了几种基于 ML 的最先进的肽预测工具，并在算法、特征编码、预测分数、评估方法和软件实用程序方面比较了这些方法。我们还使用构建良好的独立数据集评估了这些方法的预测性能。此外，我们讨论了使用 ML 方法进行肽疗法的常见陷阱和挑战。总的来说，我们表明在肽研究中使用 ML 模型可以简化靶向肽疗法的开发。我们讨论了几种基于 ML 的最先进的肽预测工具，并在算法、特征编码、预测分数、评估方法和软件实用程序方面比较了这些方法。我们还使用构建良好的独立数据集评估了这些方法的预测性能。此外，我们讨论了使用 ML 方法进行肽疗法的常见陷阱和挑战。总的来说，我们表明在肽研究中使用 ML 模型可以简化靶向肽疗法的开发。我们讨论了几种基于 ML 的最先进的肽预测工具，并在算法、特征编码、预测分数、评估方法和软件实用程序方面比较了这些方法。我们还使用构建良好的独立数据集评估了这些方法的预测性能。此外，我们讨论了使用 ML 方法进行肽疗法的常见陷阱和挑战。总的来说，我们表明在肽研究中使用 ML 模型可以简化靶向肽疗法的开发。我们讨论了将 ML 方法用于肽疗法的常见陷阱和挑战。总的来说，我们表明在肽研究中使用 ML 模型可以简化靶向肽疗法的开发。我们讨论了将 ML 方法用于肽疗法的常见陷阱和挑战。总的来说，我们表明在肽研究中使用 ML 模型可以简化靶向肽疗法的开发。