A técnica acoplada de cromatografia líquida-espectrometria de massas (LC-MS) combina a alta capacidade de separação da cromatografia líquida com a alta sensibilidade de identificação da espectrometria de massas, tornando-se uma ferramenta analítica central nos campos das ciências da vida, medicina clínica e ciências ambientais. No entanto, os dados originais produzidos, que são de alta dimensão, complexos e com ruído, exigem algoritmos de processamento de dados eficientes e robustos para transformar os sinais brutos em informações científicas válidas. Este artigo foca em três tarefas-chave do fluxo de processamento de dados LC-MS — extração de sinal, alinhamento espaço-temporal e identificação de substâncias — analisando profundamente a evolução metodológica e a lógica interna, e revelando os desafios comuns da pesquisa atual em algoritmos, como falta de generalização, ausência de conjuntos de dados de referência e fragmentação do ecossistema de software. Para enfrentar esses desafios, propõe-se a direção de modelagem de inteligência artificial guiada pela física e construção de sistemas de referência padronizados, enfatizando a necessidade de integrar o desenvolvimento de algoritmos com mecanismos instrumentais e ciência de dados, visando construir tecnologias de processamento de dados LC-MS da próxima geração, robustas, interpretáveis e colaborativas na nuvem.

cromatografia líquida-espectrometria de massas; processamento de dados; aprendizado profundo; extração de características; correção do tempo de retenção; identificação de substâncias