O AMPidentifier classifica sequências de peptídeos como antimicrobianas ou não antimicrobianas a partir da sequência primária de aminoácidos apenas. Ele roda como ferramenta web, programa de linha de comando e pacote Python, sobre os mesmos modelos e os mesmos limiares nos três.
A resistência antimicrobiana mata gente hoje e vai matar mais. O espaço de sequências onde novos peptídeos antimicrobianos podem estar é muito maior do que qualquer laboratório consegue rastrear, o que faz da triagem computacional parte do pipeline experimental e não um acessório dele. Uma ferramenta que faz essa triagem só serve na medida em que outras pessoas conseguem executá-la, conferi-la e discordar dela.
É por isso que cada parte deste projeto está aberta. O código de treino, os conjuntos de dados, a extração de descritores, os arquivos de modelo e o servidor web estão num repositório público sob licença permissiva. Os números do benchmark nesta página saem de um conjunto de teste separado que acompanha o repositório, então qualquer um pode reproduzi-los ou mostrar que eles não se sustentam. Uma predição que você não pode auditar é uma opinião com casa decimal.
Os princípios FAIR são a forma prática desse compromisso. Localizável: o software está depositado no PyPI e no GitHub, e traz um CITATION.cff legível por máquina, de modo que a citação se resolve sem ler a página. Acessível: a ferramenta web não pede conta, nem login institucional, nem pagamento, e o pacote instala com um comando. Interoperável: a entrada é FASTA e a saída é CSV, dois formatos que toda outra ferramenta do pipeline já lê. Reutilizável: a licença permite reuso e modificação, os descritores estão documentados, e o procedimento de treino é um script e não um parágrafo numa seção de métodos.
Dois compromissos decorrem disso e limitam como a ferramenta é construída. Sequências enviadas aqui são processadas em memória e nunca armazenadas: dado de sequência não publicado é a coisa mais valiosa que um grupo de pesquisa guarda, e pedir que alguém o envie para um servidor que o retenha é pedir demais. E a ferramenta continua gratuita, porque uma etapa de triagem atrás de paywall deixa de ser triagem justamente para os laboratórios que mais precisam dela.
Desenvolvimento aberto não é um arquivo de licença. É responder issues, publicar os casos de falha junto com o benchmark, e tratar um relato de que o modelo errou como a mensagem mais útil que o projeto recebe.
Ferramentas web de bioinformática param de funcionar. Kern, Fehlmann e Keller (2020, doi:10.1093/nar/gkaa1125) monitoraram 2.396 ferramentas publicadas a partir de 2010 ao longo de 133 dias e encontraram 25,7% inalcançáveis no primeiro acesso. A disponibilidade acompanha a idade quase linearmente: as publicadas em 2019 e 2020 estavam por volta de 90% disponíveis, as de 2010 por volta de 50%. Quando os autores de 47 ferramentas recentes quebradas foram contatados, 51,1% voltaram ao ar, o que significa que metade daquelas falhas não era problema técnico, era manutenção abandonada.
O mesmo padrão apareceu dentro deste projeto. Ao montar o benchmark externo, 20 preditores de peptídeos antimicrobianos publicados foram identificados como candidatos. Nove deles, 45%, não puderam ser avaliados: servidores inalcançáveis, falha de resolução de DNS, ou nenhuma liberação pública de código para rodar localmente. Os artigos deles vão de 2012 a 2023, e a verificação foi feita em março de 2026. As 11 configurações restantes foram avaliadas contra o mesmo conjunto independente de 4.736 sequências.
Uma ferramenta que existe só como servidor web morre com o servidor. Esta é distribuída de três formas de propósito: a página web, um programa de linha de comando e um pacote Python no PyPI, com o código de treino, os conjuntos de dados e os arquivos de modelo no repositório. Se esta página cair, pip install ampidentifier ainda reproduz cada número impresso aqui, e o repositório pode ser bifurcado por quem quiser mantê-lo vivo.
Reference: Kern, F., Fehlmann, T. & Keller, A. (2020). On the lifetime of bioinformatics web services. Nucleic Acids Research 48(22), 12523–12533. doi:10.1093/nar/gkaa1125
O modo padrão é um ensemble por votação suave de cinco classificadores: random forest, support vector machine, gradient boosting, XGBoost e LightGBM. Cada sequência é reduzida a 22 descritores físico-químicos e composicionais, entre eles carga líquida, hidrofobicidade, momento hidrofóbico, ponto isoelétrico, índice alifático, índice de instabilidade e composição de aminoácidos.
No conjunto de benchmark independente de 4.736 sequências o ensemble alcança AUC-ROC 0,950, MCC 0,742, sensibilidade 94,9% e especificidade 78,4%. Modos de modelo único estão disponíveis e pontuam menos em cada uma dessas quatro.
Os dados de treino vêm de peptídeos antimicrobianos validados experimentalmente em bases públicas, contra sequências não antimicrobianas. A cobertura inclui peptídeos antibacterianos, antifúngicos, antivirais e outros peptídeos de defesa do hospedeiro. Uma proteína cuja função primária não é antimicrobiana ainda pode carregar características antimicrobianas em regiões específicas da sua sequência, então uma chamada positiva é uma hipótese para testar, não uma medida.
O AMPidentifier começou como um produto mínimo viável escrito por João Pacifico Bezerra Neto nos anos 2020. Aquele protótipo é de onde a ferramenta vem: ele fixou o problema, mostrou que descritores derivados da sequência carregavam sinal suficiente para classificar peptídeos antimicrobianos, e justificou construir o resto.
O que se distribui hoje foi reconstruído a partir daquele ponto de partida. O conjunto de descritores, o pipeline de treino, o ensemble, o benchmark externo e os três canais de distribuição são uma implementação posterior e separada, mas a ideia é dele.
Escreveu as três formas pelas quais a ferramenta é distribuída, o programa de linha de comando, o pacote Python no PyPI e este servidor web, de modo que nenhuma delas seja ponto único de falha para as outras.
Manutenção é o trabalho, não o que vem depois dele. Metade das ferramentas quebradas do levantamento acima voltou no momento em que alguém respondeu um email, o que é a maior parte da distância entre uma ferramenta publicada e uma ferramenta que funciona. Mantém o repositório em dia, responde as issues, mantém o servidor no ar, e sustenta as restrições contra as quais a ferramenta é construída: nenhuma sequência é armazenada, nenhuma conta é exigida, e nada é cobrado.
- Doutorando em BioinformáticaInstitute of Biological Sciences, UFMG2024–Now
- MBA em Engenharia de SoftwareComputer Science Department, USP2025–Now
- Especialização em Data Science e AnalyticsComputer Science Department, PUC-Rio2024–2026
- Mestrado em Genética e Biologia MolecularDepartment of Genetics, UFPE2022–2024
- Bacharelado em Ciências BiomédicasCenter of Biosciences, UFPE2014–2021
Pacote Python: pip install ampidentifier
Código e linha de comando: github.com/madsondeluna/AMPidentifier
Web: o preditor and o que vem por aí
Sequências são processadas em memória e não são armazenadas. A transferência é criptografada com HTTPS/TLS. Nenhuma conta é exigida e nenhum dado de sequência é compartilhado com terceiros.
de Luna-Aragão, M. A., da Silva, R. L., Pacifico Bezerra Neto, J., dos Santos-Silva, C. A., da Silva Santos, D. E. & Benko‑Iseppon, A. M. (2026). AMPidentifier: A Cross-Platform Ensemble Toolkit for Antimicrobial Peptide Prediction.
Registrada no INPI – Instituto Nacional da Propriedade Industrial sob o número BR 51 2025 005859-4, propriedade da Universidade Federal de Pernambuco (UFPE) and the Laboratório de Genética e Biotecnologia Vegetal (LGBV).