本記事では、XCMSパラメータチューニングのための高度な最適化戦略として、遺伝的アルゴリズム（GA）およびベイズ最適化（BO）といったメタヒューリスティック手法に焦点を当てて解説します。IPOが同位体パターンに依存するのに対し、これらの手法は反復的探索および確率モデルを通じて複雑なパラメータ空間を探索します。私たちはそれぞれの強みと限界を比較し、探索能力と計算効率の間のトレードオフを明らかにします。最後に、最適パラメータを直接予測することを目指す深層学習ベースの新たなアプローチについても議論し、メタボロミクスワークフローにおける反復探索からデータ駆動型自動化への移行を示唆します。