Полифторалкильные вещества (PFAS) являются глобальными стойкими новыми загрязнителями, представляющими риск для экосистем и здоровья человека. Точное определение их содержания имеет решающее значение для предотвращения загрязнения. Массовая спектрометрия благодаря высокой чувствительности и специфичности стала основной методикой детекции PFAS, однако одиночное массовое спектрометрическое исследование сталкивается с проблемами при работе со сложными матрицами, идентификацией неизвестных веществ и анализом больших объемов данных. Для решения этих проблем глубоко интегрированы алгоритмы машинного обучения с методами масс-спектрометрии, введены модели машинного и глубокого обучения для автоматического извлечения признаков из высокоразмерных масс-спектральных данных и предсказания фрагментных спектров, что позволяет значительно повысить точность и эффективность детекции PFAS. В статье систематически рассматривается применение алгоритмов машинного обучения в масс-спектрометрическом анализе PFAS, анализируются механизмы повышения качества детекции и пути реализации, а также дается обзор перспектив применения в будущем, что обеспечивает методическую поддержку исследованиям и контролю загрязнения PFAS.

PFAS;масс-спектрометрия;машинное обучение;глубокое обучение;алгоритмы