Trenutne primjene strojnog učenja u procesu otkrivanja antimikrobnih peptida ističu potrebu za smanjenjem stope lažno pozitivnih predviđanja klasifikacijskih modela. Uzimajući u obzir da pozitivna predviđanja visoke pouzdanosti motiviraju moderni eksperimentalni dizajn peptida, osjetljivost modela ključna je za smanjenje nepotrebnih laboratorijskih testiranja. Nadalje, uzimajući u obzir metodologiju dizajna koja se temelji na nasumičnim mutacijama nad potvrđenim antimikrobnim peptidima, modeli strojnog učenja moraju moći razlikovati suptilne razlike između permutiranih sekvenci. S ciljem redukcije stope lažnih pozitiva i poboljšanja osjetljivosti modela, razvijen je hibridni pristup predviđanju antimikrobnih peptida koji koristi spregu modela enkodiranja. Implementirani su modeli koji istovremeno koriste fiziokemijske značajke i značajke koje se temelje na redoslijedu aminokiselina kako bi se naglasila važnost korištenja obje vrste reprezentacija. Također, istražuje se metoda binarnog enkodiranja za numeričku reprezentaciju peptida. Ta je metoda nedovoljno zastupljena u srodnim istraživanjima, a pokazala se da služi kao održiva, niskodimenzionalna alternativa one-hot enkodiranju. Rezultati su podržani Cochranovim i McNemarovim statističkim testovima, kao i Spearmanovom korelacijskom analizom, te sugeriraju da značajke koje se temelje na redoslijedu aminokiselina dobro komplementiraju fiziokemijskim značajkama i da njihov sinergijski učinak doprinosi poboljšanju svake korištene evaluacijske metrike. Predloženi hibridni pristup kombiniranja fiziokemijskih značajki i binarnog enkodiranja pomoću logičke konjunkcije pokazao se 2.96 puta bolji od nekombiniranih modela pri usporedbi stopa lažnih pozitiva, te do 6.1% bolji prilikom usporedbe preciznosti.