Les substances perfluoroalkylées et polyfluoroalkylées (PFAS), en tant que nouveaux polluants persistants à l’échelle mondiale, présentent des risques pour les écosystèmes et la santé humaine. La détection précise de leur teneur est essentielle pour la prévention de la pollution. La détection par spectrométrie de masse, grâce à sa haute sensibilité et sa haute spécificité, est devenue la technique principale pour la détection des PFAS, mais une détection unique par spectrométrie de masse présente des limites face à l’interférence des matrices complexes, à l’identification des inconnus et au traitement des grandes quantités de données. Pour répondre à ces défis, une intégration approfondie des algorithmes d’apprentissage automatique avec la spectrométrie de masse a été mise en œuvre, introduisant des modèles d’apprentissage automatique et profond pour l’auto-apprentissage des caractéristiques et la prédiction des spectres de fragments des données spectrométriques à haute dimensionnalité, ce qui améliore efficacement la précision et l’efficacité de la détection des PFAS. Cet article passe en revue l’application des algorithmes d’apprentissage automatique dans la détection des PFAS par spectrométrie de masse, analyse le principe et les voies d’amélioration des performances de détection par ces algorithmes, et envisage les perspectives futures, fournissant un support méthodologique pour la recherche et la gestion de la pollution PFAS.

PFAS;spectrométrie de masse;apprentissage automatique;apprentissage profond;algorithmes