O decryptAMP é uma aplicação desenvolvida para a prospecção de peptídeos antimicrobianos encriptados (ecAMPs): sequências com potencial bioativo que permanecem latentes dentro de proteínas precursoras maiores. A ferramenta automatiza um fluxo de trabalho ponta-a-ponta, que se inicia com a digestão in silico de proteomas completos. Nesse processo, o sistema utiliza Padrões de Expressão Regulares (RegEx) para simular a clivagem de proteínas por diferentes enzimas (tripsina, quimotripsina e caspase), mimetizando seus sítios de clivagem específicos com a finalidade de gerar múltiplos fragmentos peptídicos. Na etapa seguinte, o programa calcula um conjunto de descritores físico-químicos para cada peptídeo gerado a partir da digestão enzimática in silico. O decryptAMP conta com um modelo próprio de aprendizado de máquina pré-treinado, baseado no algoritmo Random Forest, que analisa essas propriedades físico-químicos extraída anteriormente, para predizer e atribuir uma pontuação a cada fragmento, indicando sua probabilidade de ser um potencial ecAMP. Projetado para alto desempenho através de modularização, orquestração e processamento de dados em paralelo, o decryptAMP analisa de forma eficiente vastos conjuntos de dados, entregando como resultado final uma lista organizada e ranqueada dos candidatos mais promissores, priorizando-os para subsequentes análises.

O decryptAMP refere-se de uma aplicação de bioinformática, desenvolvido em linguagem Python e operado por meio de uma Interface de Linha de Comando (CLI). O programa aceita como entrada arquivos de proteoma no formato FASTA e gera como saída um arquivo de texto (CSV) contendo a lista de peptídeos candidatos, acompanhados de seus respectivos descritores físico-químicos e da pontuação de probabilidade antimicrobiana atribuída pelo modelo preditivo. Sua arquitetura é modular e implementa três etapas principais: (1) um módulo de digestão in silico baseado em Padrões de Expressão Regulares (RegEx) de enzimas específicas; (2) um módulo para o cálculo de propriedades físico-químicas; e (3) um módulo de predição que utiliza um modelo Random Forest para pontuar a probabilidade de potencial atividade antimicrobiana. A aplicação é multiplataforma, sendo compatível com qualquer sistema operacional que possua suporte a uma instalação do ambiente Python, incluindo Windows, Linux e macOS.