La técnica acoplada de cromatografía líquida-espectrometría de masas (LC-MS) combina la alta capacidad de separación de la cromatografía líquida con la alta sensibilidad de identificación de la espectrometría de masas, convirtiéndose en una herramienta analítica clave en ciencias de la vida, medicina clínica y ciencias ambientales. Sin embargo, los datos originales generados, que son de alta dimensión, complejos y ruidosos, requieren algoritmos de procesamiento de datos eficientes y robustos para transformar las señales originales en información científica válida. Este artículo se centra en tres tareas clave del procesamiento de datos LC-MS — extracción de señales, alineación espacio-temporal e identificación de sustancias — analizando en profundidad la evolución metodológica y la lógica interna, además de revelar los desafíos comunes en la investigación actual de algoritmos, como la insuficiente generalización, la falta de conjuntos de datos de referencia y la fragmentación del ecosistema de software. Para abordar estos problemas, se propone una dirección de modelado de inteligencia artificial guiada por la física y construcción de sistemas de referencia estandarizados, enfatizando la necesidad de integrar el desarrollo de algoritmos con los mecanismos instrumentales y la ciencia de datos para construir una nueva generación de tecnologías de procesamiento de datos LC-MS robustas, interpretables y colaborativas en la nube.

cromatografía líquida-espectrometría de masas; procesamiento de datos; aprendizaje profundo; extracción de características; corrección del tiempo de retención; identificación de sustancias