Abstract Antimicrobials are molecules that prevent the formation of microorganisms such as bacteria, viruses, fungi, and parasites. The necessity to detect antimicrobial peptides (AMPs) using machine learning and deep learning arises from the need for efficiency to accelerate the discovery of AMPs, and contribute to developing effective antimicrobial therapies, especially in the face of increasing antibiotic resistance. This study introduced AMP-RNNpro based on Recurrent Neural Network (RNN), an innovative model for detecting AMPs, which was designed with eight feature encoding methods that are selected according to four criteria: amino acid compositional, grouped amino acid compositional, autocorrelation, and pseudo-amino acid compositional to represent the protein sequences for efficient identification of AMPs. In our framework, two-stage predictions have been conducted. Initially, this study analyzed 33 models on these feature extractions. Then, we selected the best six models from these models using rigorous performance metrics. In the second stage, probabilistic features have been generated from the selected six models in each feature encoding and they are aggregated to be fed into our final meta-model called AMP-RNNpro. This study also introduced 20 features with SHAP, which are crucial in the drug development fields, where we discover AAC, ASDC, and CKSAAGP features are highly impactful for detection and drug discovery. Our proposed framework, AMP-RNNpro excels in the identification of novel Amps with 97.15% accuracy, 96.48% sensitivity, and 97.87% specificity. We built a user-friendly website for demonstrating the accurate prediction of AMPs based on the proposed approach which can be accessed at http://13.126.159.30/ .

This study presents an advanced biosensor based on metasurfaces for hemoglobin detection. The proposed sensor design integrates graphene with gold and silver, leveraging their exceptional optical properties and ability to support surface plasmon resonances. The metasurface-based architecture enhances interactions between the sensor and hemoglobin biomolecules, resulting in improved sensitivity and other performance parameters. Extensive optimization of the design parameters, including resonator dimensions and graphene chemical potential, was conducted to achieve an optimized sensor design. The sensor exhibits exceptional characteristics, including a peak sensitivity of 267 GHzRIU−1, a quality factor of 10.457, and a sensor resolution of 0.094, among other remarkable performance metrics. To streamline the optimization process and reduce computational complexity, the Gradient Boosting Algorithm (GBoost) is integrated into this study for behaviour prediction. The GBoost model demonstrates impressive performance, including an optimal coefficient of determination (R2) score of 1.0 for all cases considered, indicating perfect predictive accuracy within the model's scope. These outstanding results suggest the significant potential of the proposed biosensor for rapid and precise blood testing, as well as monitoring medical conditions such as anaemia, by enabling early and accurate detection of hemoglobin levels. The sensor's high-performance metrics, coupled with its simple design, represent a substantial advancement in the field of biosensing technology.