Zurück zu Fähigkeiten

interpret-mass-spectrum

pjt222
Aktualisiert Yesterday
2 Ansichten
17
2
17
Auf GitHub ansehen
Anderegeneral

Über

Diese Fähigkeit interpretiert systematisch Massenspektren, um Summenformeln zu bestimmen, Fragmentierungswege zu identifizieren und molekulare Strukturen vorzuschlagen. Sie analysiert Ionisierungsmethoden, Molekülionen, Isotopenmuster und häufige Fragmentierungsverluste. Nutzen Sie sie, wenn Sie strukturelle Informationen aus Massenspektrometrie-Daten ableiten, die Identität einer Verbindung bestätigen oder Verunreinigungen identifizieren müssen.

Schnellinstallation

Claude Code

Empfohlen
Primär
npx skills add pjt222/agent-almanac -a claude-code
Plugin-BefehlAlternativ
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativ
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-mass-spectrum

Kopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren

Dokumentation

解質譜

析任一常見離子化法之質譜,以定分子離子、分子式、碎裂路徑、及分析物之結構特徵。

用時

  • 定未知化合之分子量與分子式
  • 以分子離子與碎裂證合成物之同
  • 辨樣品中之雜質或降解物
  • 自特徵碎裂損失提結構特徵
  • 析同位素型以察鹵、硫、金屬

  • 必要:質譜數據(m/z 值及相對強度,至少全掃描光譜)
  • 必要:所用離子化法(EI、ESI、MALDI、CI、APCI、APPI)
  • 可選:高解析質譜數據(精確質量,實測對理論)
  • 可選:他源所得分子式(元素分析、NMR)
  • 可選:串聯 MS/MS 數據(所選前驅離子之碎裂)
  • 可選:層析脈絡(LC-MS 或 GC-MS 保留時間、純度)

第一步:辨離子化法與預期離子型

指諸峰前,定光譜所含之離子種:

  1. 分類離子化法
主離子碎裂常用
EI (70 eV)M+.(自由基陽離子)小揮發分子、GC-MS
CI[M+H]+、[M+NH4]+分子量之證
ESI[M+H]+、[M+Na]+、[M-H]-極性、生物分子、LC-MS
MALDI[M+H]+、[M+Na]+、[M+K]+大分子、聚合物、蛋白
APCI[M+H]+、[M-H]-中極性、LC-MS
  1. 記極性模式:正模生陽離子;負模生陰離子。ESI 常兼用
  2. 察加成物與簇:軟離子化常生 [M+Na]+(M+23)、[M+K]+(M+39)、[2M+H]+、[2M+Na]+,與 [M+H]+ 並現。指分子離子前先辨此
  3. 辨多電荷離子:ESI 中,多電荷離子現於 m/z = (M + nH) / n。尋以分數 m/z 隔之峰(如 0.5 Da 隔示 z=2)

**得:**離子化法有記,預期離子型列之,加成物與簇有辨,真分子離子可定。

**敗則:**若離子化法未知,察光譜之兆:繁碎裂暗 EI,加成型暗 ESI,基質峰暗 MALDI。儀器日誌可得則閱之。

第二步:定分子離子與分子式

辨分子離子峰並導分子式:

  1. 尋分子離子 (M):EI 中,M+. 乃最高 m/z 峰而具合理同位素型(易降解物或弱或闕)。軟離子化中,辨 [M+H]+ 或 [M+Na]+ 並減加成以得 M
  2. 用氮律:奇分子量示奇數氮原子;偶分子量示無或偶數氮原子
  3. 算不飽和度 (DBE):DBE = (2C + 2 + N - H - X) / 2,X 為鹵。每環或 π 鍵貢獻一 DBE。苯 = 4 DBE,羰基 = 1 DBE
  4. 用高解析數據:若精確質量可得,以質量虧損算分子式。比實測質量於質量準確度窗內(現代儀器常 < 5 ppm)之諸候選式
  5. 以同位素型交叉驗:觀測同位素型須配所提分子式(見第三步)

**得:**分子離子已辨,分子量已定,氮律已用,分子式有提(HRMS 可得則證之)。

**敗則:**若 EI 中無分子離子可見(熱敏或高分支化合常見),試較軟之離子化法。若分子離子曖,察最高 m/z 峰之常見小碎片損失(如 M-1、M-15、M-18 可助辨 M)。

第三步:析同位素型

以同位素特徵察特定元素:

  1. 單同位素元素:H、C、N、O、F、P、I 有特徵自然豐度型。唯含 C、H、N、O 者,M+1 峰約每碳 1.1%
  2. 鹵素型
元素同位素M : M+2 比視覺型
35Cl / 37Cl35、373 : 1雙峰,隔 2 Da
79Br / 81Br79、811 : 1等雙峰,隔 2 Da
2 Cl--9 : 6 : 1三峰
2 Br--1 : 2 : 1三峰
1 Cl + 1 Br--3 : 4 : 1特徵似四峰
  1. 硫之檢測:34S 於 M+2 貢獻 4.4%。M+2 峰相對 M 約 4--5%(校 13C2 貢獻後)示一硫原子
  2. 矽之檢測:29Si (5.1%) 與 30Si (3.4%) 生特徵 M+1 與 M+2 貢獻
  3. 比理論型:以所提分子式算理論同位素型。疊於觀測型以證或駁式

**得:**同位素型已析,Cl、Br、S、Si 有無已定,型合所提分子式。

**敗則:**若同位素解析不足(低解析儀器),M+2 型或不可解。記此限,依精確質量與他光譜數據定元素組成。

第四步:辨碎裂損失與關鍵碎片離子

圖碎裂路徑以提結構資訊:

  1. 錄諸大碎片:列相對強度 5--10% 以上之峰及其 m/z
  2. 自分子離子算中性損失
損失 (Da)所失中性結構暗示
1H.易脫氫
15CH3.甲基
17OH.羥基
18H2O醇、羧酸
27HCN氮雜環、胺
28CO 或 C2H4羰基或乙基
29CHO. 或 C2H5.醛或乙基
31OCH3. 或 CH2OH.甲氧或羥甲
32CH3OH甲酯
35/36Cl./HCl含氯化合
44CO2羧酸、酯
45OC2H5.乙氧
46NO2.硝基化合
  1. 辨特徵碎片離子
m/z離子
77C6H5+苯基陽離子
91C7H7+鎓離子(苄基重排)
105C6H5CO+苯甲醯陽離子
43CH3CO+ 或 C3H7+乙醯或丙基
57C4H9+ 或 C3H5O+叔丁基或丙烯醛
149鄰苯二甲酸酯片段塑化劑污染
  1. 圖碎裂路徑:以相繼損失連碎片離子,自 M 至低質量碎片建碎裂樹
  2. 辨重排離子:McLafferty 重排(γ-氫轉與 β-斷裂)自含羰基化合生偶電子離子。逆 Diels-Alder 碎裂乃環己烯系統之特徵

**得:**諸大碎片離子皆歸,中性損失算之並與結構特徵相關,碎裂樹已建。

**敗則:**若碎片不合自分子離子之簡單損失,慮重排過程。未歸碎片或示未預期之官能團、雜質、或基質/背景峰。

第五步:評純度並提結構

評全譜之純度兆並匯結構之提:

  1. 純度之察:GC-MS 或 LC-MS 中察層析圖有無餘峰。直接注入 MS 中察非主分析物之碎片或加成之意外離子
  2. 背景與污染峰:常見污染含鄰苯二甲酸酯塑化劑(m/z 149、167、279)、柱流失(GC-MS 中矽氧烷於 m/z 207、281、355、429)、溶劑簇
  3. 結構之提:合分子式(第二步)、同位素型(第三步)、碎裂(第四步)以提一結構或候選結構集
  4. 候選之序:以碎裂樹序結構候選。最善之結構以最少臨時假設釋最多碎片離子
  5. 交叉驗:比所提結構於他法(NMR、IR、UV-Vis)之數據。質譜獨鮮為新化合提無歧之結構

**得:**純度已評,污染若有則辨之,結構之提(或序之候選列)合諸 MS 數據,可則交叉驗。

**敗則:**若光譜似含多組分而未層析分離,標此混合並薦 LC-MS 或 GC-MS 重析。若無滿結構之提,辨何添數據(HRMS、MS/MS、NMR)可解曖。

  • 離子化法已辨,預期離子型有記
  • 分子離子已定,別於加成、碎片、簇
  • 氮律已用,合所提式
  • 不飽和度已算,於結構中有校
  • 同位素型合所提分子式
  • 諸大碎片離子有歸,附中性損失與結構理由
  • 碎裂樹自分子離子至低質量碎片已建
  • 常見污染與背景峰已辨並除
  • 結構之提與他光譜數據交叉驗

  • 誤辨分子離子:EI 中,基峰常為碎片非分子離子。分子離子乃最高 m/z 峰而具合理同位素型。ESI 中加成離子([M+Na]+、[2M+H]+)亦或誤為分子離子
  • 忽氮律:奇質量分子離子需奇數氮。忘此致不可能之分子式
  • 混同量損失:28 Da 之損或為 CO 或 C2H4;29 或為 CHO 或 C2H5。高解析 MS 或添碎裂數據乃可別
  • 略多電荷離子:ESI 中二或三電荷離子現於半或三分之一之預期 m/z。尋同位素峰間之非整數隔,為多電荷之診
  • 過度解讀低豐度峰:相對強度下 1--2% 者或為噪、同位素貢獻、或微污染,非有義之碎片
  • 假設純樣:現實多光譜乃混合。恆察層析純度,尋不合所提結構之離子

  • interpret-nmr-spectrum — 定連結與氫環境以證結構
  • interpret-ir-spectrum — 辨釋觀測碎裂之官能團
  • interpret-uv-vis-spectrum — 述分析物中之發色團
  • interpret-raman-spectrum — 互補振動析
  • plan-spectroscopic-analysis — 數據採集前擇並序分析技術
  • interpret-chromatogram — 析配 MS 之 GC 或 LC 層析數據

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan/skills/interpret-mass-spectrum
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Verwandte Skills

llamaguard

Andere

LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.

Skill ansehen

cost-optimization

Andere

Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.

Skill ansehen

quantizing-models-bitsandbytes

Andere

Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.

Skill ansehen

dispatching-parallel-agents

Andere

Diese Claude-Fähigkeit verteilt mehrere Agenten, um drei oder mehr unabhängige Probleme gleichzeitig zu untersuchen und zu beheben. Sie ist für Szenarien konzipiert, die unabhängige Fehler umfassen, die ohne gemeinsamen Zustand oder Abhängigkeiten gelöst werden können. Die Kernfähigkeit ist die parallele Problemlösung, bei der pro unabhängigem Problembereich ein Agent zugewiesen wird, um die Effizienz zu maximieren.

Skill ansehen