عفونت های ویروسی در سراسر جهان گسترده هستند. از آنجا که داروهای ضد ویروسی رایج دارای اثرات جانبی زیاد بوده و همچنین دسترسی به آنها محدود بوده و پر هزینه می باشند لذا طراحی دارو های ضد ویروسی جدید دارای اهمیت هستند و پپتیدهای ضد ویروسی از بهترین کاندیدا برای این منظور هستند. سمیت پائین، اثرات جانبی کم، حذف سریع از بدن میزبان و عملکرد اختصاصی باعث ارجحیت این ترکیبات نسبت به سایر ترکیبات ضد ویروسی می شود. اکثر این پپتیدها از پروتئین های ویروسی مانند کپسید ویروس hiv-1 جدا شده اند، این پروتئین تشکیل دهنده هسته ویروس hiv بوده و در بر گیرنده ژنوم ویروسی است و البته نقش بسیار مهمی در بلوغ و گرد هم آیی اجزای ویروسی دارد. به دلیل اهمیت پپتیدهای ضد ویروسی، ایجاد و توسعه یک روش محاسباتی دقیق به منظور پیش بینی فعالیت ضد ویروسی این پپتیدها ضروری است. در مطالعه حاضر از مفهوم ترکیب آمینو اسیدی کاذب و روش یادگیری ماشین جهت طبقه بندی و شناسایی پپتیدهای ضد ویروس استفاده شده است. در نهایت از الگوریتم طراحی شده جهت پیش بینی فعالیت ضد ویروسی پپتیدهای مشتق شده از پروتئین p24 استفاده شد. دقت روش پیش بینی با استفاده از کیت تشخیص آنتی ژنی الیزا ارزیابی شد. تطابق روش آزمایشگاهی با نتایج حاصل از پیش بینی توسط الگوریتم حاکی از بر مفید و کارا بودن روش طراحی شده است.