Perfluorierte und polyfluorierte Alkylsubstanzen (PFAS) sind globale persistente neue Schadstoffe, die Risiken für Ökosysteme und die menschliche Gesundheit darstellen. Die genaue Bestimmung ihres Gehalts ist entscheidend für die Bekämpfung von Verschmutzungen. Die Massenspektrometrie hat sich aufgrund ihrer hohen Empfindlichkeit und Spezifität zur Haupttechnik für die PFAS-Detektion entwickelt, jedoch stößt die alleinige Massenspektrometrie bei komplexen Matrixinterferenzen, der Identifikation unbekannter Substanzen und der Verarbeitung großer Datenmengen an Grenzen. Zur Bewältigung dieser Probleme wurde eine tiefgehende Integration von Machine-Learning-Algorithmen mit Massenspektrometrie-Technologien durchgeführt, wobei Machine-Learning- und Deep-Learning-Modelle zur selbstständigen Merkmalsextraktion und zur Fragmentpektrumvorhersage hochdimensionaler Massenspektrometrie-Daten eingesetzt werden, was die Genauigkeit und Effizienz der PFAS-Detektion deutlich verbessert. Diese Arbeit gibt einen systematischen Überblick über den Einsatz von Machine-Learning-Algorithmen in der PFAS-Massenspektrometrie, analysiert die Wirkmechanismen und Umsetzungswege zur Leistungssteigerung und gibt einen Ausblick auf zukünftige Anwendungen, wodurch eine methodische Unterstützung für die Forschung und Kontrolle der PFAS-Verschmutzung bereitgestellt wird.

PFAS;Massenspektrometrie;Machine Learning;Deep Learning;Algorithmen