As substâncias perfluoroalquiladas e polifluoroalquiladas (PFAS), como novos poluentes persistentes globais, representam riscos aos ecossistemas e à saúde humana. A detecção precisa de seu conteúdo é fundamental para o controle da poluição. Devido à alta sensibilidade e especificidade, a espectrometria de massas tornou-se a tecnologia predominante para a detecção de PFAS, mas a detecção única por espectrometria de massas apresenta limitações em interferências de matrizes complexas, identificação de substâncias desconhecidas e processamento de grandes volumes de dados. Para esses problemas, os algoritmos de aprendizado de máquina são profundamente integrados à tecnologia de espectrometria de massas, introduzindo modelos de aprendizado de máquina e aprendizado profundo para autoaprendizagem de características e previsão de espectros de fragmentos de dados espectrais de alta dimensão, o que pode melhorar efetivamente a precisão e eficiência da detecção de PFAS. Este artigo revisa sistematicamente a aplicação de algoritmos de aprendizado de máquina na detecção de PFAS por espectrometria de massas, analisa os princípios e caminhos para melhorar o desempenho da detecção, e discute perspectivas futuras, oferecendo suporte metodológico para a pesquisa e gestão da poluição por PFAS.

PFAS; espectrometria de massas; aprendizado de máquina; aprendizado profundo; algoritmo