Las sustancias perfluoroalquiladas y polifluoroalquiladas (PFAS), como nuevos contaminantes persistentes a nivel global, representan riesgos para los ecosistemas y la salud humana, siendo crucial la detección precisa de su contenido para la prevención de la contaminación. La espectrometría de masas, debido a su alta sensibilidad y alta especificidad, se ha convertido en la técnica principal para la detección de PFAS, pero la detección única por espectrometría de masas presenta limitaciones en la interferencia de matrices complejas, identificación de desconocidos y manejo de grandes volúmenes de datos. Para abordar estos problemas, se ha realizado una integración profunda de algoritmos de aprendizaje automático con tecnologías de espectrometría de masas, introduciendo modelos de aprendizaje automático y aprendizaje profundo para el autoaprendizaje de características y la predicción de espectros de fragmentos de datos espectrométricos de alta dimensión, lo que puede mejorar eficazmente la precisión y eficiencia de la detección de PFAS. Este artículo revisa sistemáticamente la aplicación de algoritmos de aprendizaje automático en la detección de PFAS por espectrometría de masas, analiza los principios y vías de mejora del rendimiento de detección mediante algoritmos, y prospecta las aplicaciones futuras, proporcionando soporte metodológico para la investigación y gestión de la contaminación por PFAS.

PFAS;espectrometría de masas;aprendizaje automático;aprendizaje profundo;algoritmos