Техника жидкостной хроматографии с масс-спектрометрией (LC-MS) сочетает в себе высокую разделительную способность жидкостной хроматографии и высокую чувствительность масс-спектрометрического анализа, став основной аналитической методикой в областях науки о жизни, клинической медицины и экологических наук. Однако получаемые высокоразмерные, сложные и содержащие шум исходные данные требуют эффективных и стабильных алгоритмов обработки для преобразования исходных сигналов в полезную научную информацию. Данная статья сосредоточена на трёх ключевых задачах обработки данных LC-MS — выделении сигнала, пространственно-временной выравнивающей коррекции и идентификации веществ, подробно анализируя эволюцию методологии и внутреннюю логику, а также выявляя общие проблемы современных исследований алгоритмов, такие как низкая обобщаемость, отсутствие эталонных наборов данных и фрагментация программной экосистемы. Для решения этих проблем предлагается направление, основанное на физически направленном машинном обучении и создании стандартизированных эталонных систем, подчёркивающее необходимость интеграции разработки алгоритмов с устройственным механизмом и наукой о данных для построения новых поколений устойчивых, интерпретируемых и облачно-кооперативных технологий обработки данных LC-MS.

жидкостная хроматография-масс-спектрометрия;обработка данных;глубокое обучение;извлечение признаков;коррекция времени удерживания;идентификация веществ