La technique couplée chromatographie liquide-spectrométrie de masse (LC-MS) combine la haute capacité de séparation de la chromatographie liquide avec la haute sensibilité d'identification de la spectrométrie de masse, devenant un outil analytique central dans les sciences de la vie, la médecine clinique et les sciences de l'environnement. Cependant, les données brutes produites, de haute dimension, complexes et bruitées, nécessitent des algorithmes de traitement de données efficaces et robustes pour transformer les signaux bruts en informations scientifiques valides. Cet article se concentre sur trois tâches clés dans le traitement des données LC-MS — extraction de signal, alignement spatio-temporel et identification des substances — analysant en profondeur l'évolution méthodologique et la logique interne, tout en révélant les défis communs actuels des recherches algorithmiques, tels que le manque de généralisation, l'absence de jeux de données de référence et la fragmentation de l'écosystème logiciel. Pour remédier à ces problématiques, une direction vers la modélisation d'intelligence artificielle guidée par la physique et la construction de systèmes de référence standardisés est proposée, en insistant sur la nécessité d'intégrer développement algorithmique, mécanismes instrumentaux et science des données afin de construire une nouvelle génération de technologies de traitement de données LC-MS robustes, explicables et collaboratives dans le cloud.

chromatographie liquide-spectrométrie de masse; traitement des données; apprentissage profond; extraction de caractéristiques; correction du temps de rétention; identification des substances