抗微生物肽是具有抗菌、抗病毒或者抗真菌功能的多肽[79-81]，相较于传统的抗生素或抗病毒药物，抗微生物肽尚无耐药等问题，可以作为传统抗生素等药物的替代品[82]。

目前，基于计算机辅助的抗微生物肽的预测方法已较为成熟，能提供较为可靠的预测结果，能减少大量的人力投入，成本更低、效率更高。

尽管机器学习预测抗微生物肽已经取得很大进步，但该领域依然存在诸多挑战。1) 当前机器学习预测算法针对抗菌肽的预测较多[83-84]，但是专门针对抗病毒肽的预测方法依然较少[85-86]。未来研究可以考虑将抗菌肽的预测分析方法迁移到抗病毒肽、抗真菌肽的研究当中。2) 抗微生物肽的机器学习预测算法研究虽然较多，但直接结合生物学意义进行可解释性分析以及随后开展生物学实验验证的研究较少[87-88]。目前，LIME、SHAP等算法[89]能够根据机器学习提取的特征进行t特征重要性排序，找出影响最终结果最多的氨基酸特征，从而为下一步的多肽功能的生物学特征研究提供参考。3) 当前抗菌肽数据库较多，但是专门的抗病毒肽、抗真菌肽数据库较少，如表1所示，现存的抗病毒肽、抗真菌肽数据大多来源于论文附带的数据。同时，不同的数据库数据格式各异，导致通用性不高，需要专门的标准化的抗微生物肽数据库[90]。4) 抗微生物肽的预测准确率有待进一步提高。最新的抗菌肽预测准确率达到95.94%，抗病毒肽预测准确率最高为93.90%，抗真菌肽预测准确率最高为93.35%。5) 目前有许多用于抗微生物肽预测的算法，大多基于传统机器学习分类方法，如随机森林、KNN、SVM等，人工智能最新的预测分析算法还未完全引入抗微生物肽的预测当中。最新深度学习已经在生物信息学上进行了大量应用[91-92]，对抗神经网络也应用于最新分类研究[93]，图神经网络[94-95]、自然语言处理模型也开始应用到生物学数据处理上[96]，这些算法在抗微生物肽等生物医学数据分析的潜力有待进一步挖掘运用。

综上，基于对抗微生物肽的预测算法研究，目前仍需要进一步研究的3个方向：1) 开发专门的标准化的抗微生物肽数据库，收集大量分散的抗微生物肽序列，并归类整理、动态更新，为将来的研究分析提供支撑；2) 开发通用的针对抗微生物肽的机器学习预测算法；3) 开发更多能够解读抗微生物肽机器学习预测分析结果的算法，为生物学家下一阶段的实验验证提供理论依据。抗微生物肽的分析不仅是生物科学家的工作，更需要计算机、数学等相关行业专家积极参与、多方协作，才能完成抗微生物肽的分析、验证、推广、应用等一系列完整的生态系统研究。