Da Análise à Avaliação: Aprendizado de Máquina para Triagem Não-Alvo de Poluentes Usando Cromatografia Acoplada à Espectrometria de Massas (Mobilidade Iônica)

A crescente diversidade de produtos químicos antropogênicos no ambiente supera amplamente o alcance do monitoramento analítico rotineiro. A triagem não-alvo (NTS) usando espectrometria de massas de alta resolução (HRMS) surgiu para descobrir contaminantes orgânicos desconhecidos. A cromatografia líquida ou gasosa (LC/GC) acoplada à espectrometria de massas com mobilidade iônica (IM-MS) aprimora ainda mais a NTS ao fornecer dados multidimensionais e estruturalmente informativos. O aprendizado de máquina (ML) oferece uma solução poderosa ao processar dados de alta dimensão de forma eficiente e descobrir padrões. Tanto abordagens de aprendizado supervisionado quanto não supervisionado mostram um forte potencial para simplificar processos trabalhosos. Esta revisão fornece uma visão geral dos principais algoritmos de ML e fluxos de trabalho representativos relacionados à NTS em LC/GC-(IM-) MS, seguida de uma síntese crítica dos avanços recentes em aplicações habilitadas por ML em todo o procedimento de NTS, desde a análise de amostras até a aquisição de dados e, por último, a avaliação de riscos. Espera-se que os avanços contínuos em ML transformem a NTS em uma ferramenta mais eficiente e robusta para avaliação de riscos.