Penemuan dan pengembangan biopeptida memakan waktu, memerlukan banyak tenaga, dan bergantung pada berbagai faktor. Metode komputasi berbasis data, khususnya pendekatan pembelajaran mesin (*machine learning* atau ML), dapat memprediksi kegunaan peptida terapeutik secara cepat dan efisien. Metode ML menawarkan serangkaian instrumen yang dapat mempercepat dan meningkatkan pengambilan keputusan serta penemuan untuk kueri yang terdefinisi dengan baik dengan kualitas data yang memadai dan kompleks. Berbagai pendekatan ML, seperti *support vector machine*, *random forest*, *extremely randomized tree*, dan yang lebih baru metode *deep learning*, bermanfaat dalam penemuan obat berbasis peptida. Pendekatan-pendekatan ini memanfaatkan set data peptida, yang dihasilkan melalui sekuensing *high-throughput* dan metode komputasi, serta memungkinkan prediksi peptida fungsional dengan tingkat akurasi yang lebih tinggi. Penggunaan pendekatan ML dalam pengembangan agen terapeutik berbasis peptida tergolong relatif baru; kendati demikian, teknik-teknik ini telah merevolusi penelitian protein dengan mengungkap fungsi-fungsi baru dari peptida terapeutik. Dalam tinjauan ini, kami membahas beberapa instrumen prediksi peptida mutakhir berbasis ML dan membandingkan metode-metode tersebut dari segi algoritma, penyandian fitur, skor prediksi, metodologi evaluasi, dan utilitas perangkat lunak. Kami juga menilai performa prediksi metode-metode ini menggunakan set data independen yang dirancang dengan baik. Selain itu, kami membahas berbagai kendala umum dan tantangan dalam penggunaan pendekatan ML untuk pengembangan terapi peptida. Secara keseluruhan, kami menunjukkan bahwa penerapan model ML dalam penelitian peptida dapat merampingkan pengembangan terapi peptida terarah.