Die Flüssigchromatographie-Massenspektrometrie-Kopplung (LC-MS) vereint die hohe Trennleistung der Flüssigchromatographie mit der hohen Empfindlichkeit der Massenspektrometrie und ist zu einem zentralen Analysetool in den Lebenswissenschaften, der klinischen Medizin und den Umweltwissenschaften geworden. Die erzeugten hochdimensionalen, komplexen und rauschbehafteten Rohdaten erfordern jedoch effiziente, robuste Datenverarbeitungsalgorithmen, um Rohsignale in verwertbare wissenschaftliche Informationen umzuwandeln. Dieser Artikel konzentriert sich auf drei zentrale Aufgaben des LC-MS-Datenverarbeitungsprozesses — Signalauszug, zeitlich-räumliche Ausrichtung und Stoffidentifikation — und analysiert tiefgreifend deren methodologische Entwicklung und innere Logik, wobei gleichzeitig aktuelle gemeinsame Herausforderungen der Algorithmusforschung beleuchtet werden, wie mangelnde Generalisierung, fehlende Benchmark-Datensätze und fragmentierte Software-Ökosysteme. Zur Bewältigung dieser Herausforderungen wird ein physikalisch geführter KI-Modellierungs- und standardisierter Benchmark-System-Ansatz vorgeschlagen, wobei die Notwendigkeit betont wird, die Algorithmusentwicklung mit Instrumentenmechanismen und Data Science zu verknüpfen, um robuste, erklärbare und cloud-kollaborative LC-MS-Datenverarbeitungstechnologien der nächsten Generation zu schaffen.

Flüssigchromatographie-Massenspektrometrie;Datenverarbeitung;Deep Learning;Merkmalextraktion;Retentionszeitkorrektur;Stoffidentifikation