【人工智能】ES&T：基于深度学习的PFAS(DeePFAS)快速标注—通过谱编码和潜在空间分析增强非靶向筛选

本文针对全氟和多氟烷基物质（PFAS）检测中结构解析复杂、数据量大的挑战，提出了一种基于深度学习的PFAS初步注释方法DeePFAS。研究背景指出PFAS作为持久性污染物在环境中广泛存在，传统检测方法难以覆盖其庞大种类。研究目的是通过将MS2光谱数据映射到化学结构潜在空间，实现结构相似化合物的高效推断，无需依赖正确分子式输入。实验表明，DeePFAS在NIST20和std_150测试集中分子结构识别率分别达34.7%和61.5%，能有效捕捉PFAS核心特征，但在细微结构差异区分上仍有不足。结论肯定了该方法提升PFAS鉴定效率的潜力，同时指出假阳性问题需通过扩展光谱库和对比多工具结果来优化。