Zurück zu Fähigkeiten

interpret-nmr-spectrum

pjt222
Aktualisiert Yesterday
1 Ansichten
17
2
17
Auf GitHub ansehen
Anderedata

Über

Diese Fähigkeit analysiert NMR-Spektren (1H, 13C, DEPT, 2D), um molekulare Strukturen durch die Zuordnung von chemischen Verschiebungen, die Interpretation von Kopplungsmustern und die Korrelation mehrdimensionaler Daten zu bestimmen. Sie wird zur Aufklärung unbekannter Verbindungen, zur Verifizierung von Syntheseprodukten und zur Analyse komplexer Spektren eingesetzt. Entwickler können sie integrieren, um Strukturvorschläge aus spektralen Eingaben zu automatisieren.

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-nmr-spectrum

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

Dokumentation

解讀 NMR 光譜

分析一維與二維 NMR 光譜以指派峰、定耦合關係,並擬議與所有所觀數據一致之分子結構片段。

適用時機

  • 自 NMR 數據定未知有機化合物之結構
  • 確合成產物之同一與純度
  • 指派重疊信號之複雜光譜中之峰
  • 關多 NMR 實驗(1H、13C、DEPT、COSY、HSQC、HMBC)為統一結構畫面
  • 別區域異構、立體異構或構象異構

輸入

  • 必要:NMR 光譜數據(至少 1H 光譜附化學位移、多重性與積分)
  • 必要:分子式或分子量(自質譜或元素分析)
  • 選擇性:13C 與 DEPT 光譜(化學位移與多重性)
  • 選擇性:2D 光譜(COSY、HSQC、HMBC、NOESY/ROESY 相關表)
  • 選擇性:獲取所用溶劑與場強
  • 選擇性:已知結構約束(如反應起始物、IR 確之官能團)

步驟

步驟一:評實驗類型與獲取參數

解讀之前,立可得數據及其品質:

  1. 識實驗類型:錄可得光譜(1H、13C、DEPT-135、DEPT-90、COSY、HSQC、HMBC、NOESY、ROESY、TOCSY)。記觀之核與維度
  2. 記獲取參數:記譜儀頻率(如 400 MHz、600 MHz)、溶劑、溫度與參考標準
  3. 識溶劑與參考峰:用下表定位並排除溶劑信號
Solvent1H Residual (ppm)13C Signal (ppm)
CDCl37.2677.16
DMSO-d62.5039.52
D2O4.79--
CD3OD3.3149.00
Acetone-d62.0529.84, 206.26
C6D67.16128.06
  1. 評光譜品質:查基線平度、多重峰分辨,與信噪比。標任何偽影(自旋邊帶、13C 衛星、CDCl3 中 ~1.56 ppm 之水等溶劑雜質峰)

預期: 可得實驗之完整清單,已確溶劑/參考峰已排,並有品質評估。

失敗時: 若光譜信噪差或基線嚴重失真,記此限並謹慎行之。標不能可靠與噪別之峰。

步驟二:分析 1H 化學位移

以特徵位移範圍指派每 1H 信號於化學環境:

  1. 列所有信號:對每峰記化學位移(ppm)、多重性、耦合常數 J(Hz),與相對積分
  2. 以化學位移區分類
Range (ppm)EnvironmentExamples
0.0--0.5Shielded (cyclopropane, M-H)Cyclopropyl H, metal hydrides
0.5--2.0Alkyl (CH3, CH2, CH)Saturated aliphatic chains
2.0--4.5Alpha to heteroatom/unsaturation-OCH3, -NCH2, allylic, benzylic
4.5--6.5Vinyl / olefinic=CH-, =CH2
6.5--8.5AromaticArH
9.0--10.0Aldehyde-CHO
10.0--12.0Carboxylic acid-COOH
0.5--5.0 (broad, exchangeable)OH, NHAlcohols, amines, amides
  1. 數氫:用積分比相對分子式以指派每信號之質子數。歸一於最簡整數比
  2. 記可交換質子:於 D2O 搖中失之信號(OH、NH、COOH)為可交換。記其存與約位移

預期: 所有 1H 信號之表:位移、多重性、J 值、積分(H 數),與初步環境指派。

失敗時: 若積分比不加為預期之總質子數,查重疊信號、藏於基線之寬峰,或錯分子式。

步驟三:定耦合模式與 J 值

自裂分模式抽連接性信息:

  1. 識多重性:指派每信號為單峰(s)、雙峰(d)、三峰(t)、四峰(q)、雙雙峰(dd)等。對複雜多重峰(m),估耦合夥伴數
  2. 測耦合常數:抽 Hz 之 J 值。匹配互耦合(若 H_A 與 H_B 以 J = 7.2 Hz 耦合,H_B 必對 H_A 示同 J)
  3. 以類分 J 值
J Range (Hz)Coupling Type
0--3Geminal (2J) or long-range (4J, 5J)
6--8Vicinal aliphatic (3J)
8--10Vicinal with restricted rotation
10--17Vicinal olefinic cis (6--12) or trans (12--18)
0--3Aromatic meta
6--9Aromatic ortho
  1. 繪耦合網:將互耦合質子分於自旋系統。每自旋系統代分子之一連接片段
  2. 評屋頂效應:於 AB 型模式,雙峰之內線較外線強,示化學位移近

預期: 所有耦合常數已測並互匹配,自旋系統已識,耦合類型已分。

失敗時: 若多重峰過複而不能以一級規則析,記高級模式。思重疊信號或強耦合核(delta-nu/J < 10)產非一級模式需模擬。

步驟四:分析 13C 與 DEPT 數據

自 13C 實驗定碳類型與數:

  1. 數異 13C 信號:比 13C 峰數於分子式。較預期少示分子對稱
  2. 以化學位移分類
Range (ppm)Carbon TypeExamples
0--50sp3 AlkylCH3, CH2, CH, quaternary C
50--100Alpha to O or N-OCH3, -OCH2, anomeric C
100--150Aromatic / vinyl=CH-, ArC
150--170Heteroaromatic / enol / imineC=N, C-O aromatic
170--185Carboxyl / ester / amide-COOH, -COOR, -CONR2
185--220Aldehyde / ketone-CHO, >C=O
  1. 用 DEPT 編輯:用 DEPT-135(CH 與 CH3 向上,CH2 向下,季碳缺)與 DEPT-90(僅 CH)定每碳之附氫數
  2. 算不飽和度:DBE = (2C + 2 + N - H - X) / 2。比光譜所暗示之 pi 鍵與環數

預期: 每 13C 信號以類(CH3、CH2、CH、C)與化學環境分類,不飽和度已算並與所觀官能團一致。

失敗時: 若 DEPT 數據不可得,自 HSQC 相關(步驟五)推氫附。若碳數不合分子式,查重合信號或藏於噪之季碳。

步驟五:關聯 2D NMR 數據

用二維實驗建連接性:

  1. COSY(1H-1H 相關):識 2--3 鍵內之質子。繪交叉峰以確並擴步驟三之自旋系統
  2. HSQC(1H-13C 一鍵):指派每質子於其直連碳。此明確連 1H 與 13C 指派
  3. HMBC(1H-13C 長程):識 2--3 鍵 H-C 相關。HMBC 於跨季碳、雜原子與缺直 H-C 鍵之羰基連片段甚關鍵
  4. NOESY/ROESY(穿空間):識空間近(< 5 埃)之質子不論連接性。用於立體化學指派與構象分析
  5. 建片段連接性:用 HMBC 相關將 COSY 之自旋系統連為更大片段。每 HMBC 交叉峰代 H 至 C 之 2--3 鍵路徑

預期: 連接性圖連所有自旋系統為連貫分子骨架,並於可得處有 NOE 之立體化學信息。

失敗時: 若 2D 數據不全或模糊,記何連接暫定。或需多結構提議。優先以 HMBC 相關組片段,因其橋 COSY 不能之缺。

步驟六:擬並驗結構

合片段為完整結構提議:

  1. 合片段:用 HMBC 相關與不飽和度約束連步驟二至五之結構片段
  2. 查分子式:驗擬議結構恰合分子式(原子數、不飽和度)
  3. 反預測化學位移:對擬議結構預測 1H 與 13C 化學位移。比預測於觀值;偏差 > 0.3 ppm(1H)或 > 5 ppm(13C)當再審
  4. 驗所有相關:確每觀之 COSY、HSQC 與 HMBC 相關皆由擬議結構解。未解交叉峰示誤或雜質
  5. 思替代:若多結構合數據,列可解模糊之區別實驗或相關
  6. 指派立體化學:用 NOE 數據、J 值分析(Karplus 二面角關係),與已知構象偏好指派相對(可能處絕對)立體化學

預期: 單一最合結構提議,所有 NMR 數據已解,或候選排序清單並有區別之計劃。

失敗時: 若無單一結構解所有數據,查:化合物混合(非整數積分比之多峰)、動態過程(構象交換之寬峰),或順磁雜質(異常寬化)。若多結構同等可行,再審分子式。

驗證

  • 所有溶劑與參考峰已識別並於解讀中排除
  • 每 1H 信號已指派化學位移區、多重性、J 值與積分
  • 耦合常數互等(耦合夥伴間匹配)
  • 13C 信號已以 DEPT 多重性與化學位移區分類
  • 不飽和度已算並與擬議結構一致
  • 2D 相關(COSY、HSQC、HMBC)皆由結構提議解
  • 擬議結構恰合分子式
  • 反預測化學位移於容差內合觀值
  • 於可用處以 NOE 與/或 J 值分析應對立體化學

常見陷阱

  • 忽溶劑峰:常溶劑產可與分析物峰重之信號。解讀之前恒識並排溶劑殘、水與油脂峰
  • 於二級模式強以一級分析:強耦合核(相對 J 之化學位移差小)產失真多重峰,不能以簡單 n+1 規則解。認屋頂效應與非二項強度模式為指示
  • 忽可交換質子:OH 與 NH 信號可寬、因濃度/溫而移,或於質子溶劑中缺。D2O 搖實驗明何信號可交換
  • 假所有 13C 峰可見:季碳有長弛豫時與低強度。於短獲取光譜中可缺。HMBC 相關常為檢之唯一途
  • 誤解 HMBC 偽影:HMBC 光譜可示一鍵偽影(誤指派為長程相關)與弱四鍵相關。以 HSQC 交叉查以濾一鍵穿漏
  • 忽對稱:若觀之 13C 峰數少於分子式所預,分子恐有對稱元素。於擬結構之前計此

相關技能

  • interpret-ir-spectrum — 識官能團以約 NMR 基之結構提議
  • interpret-mass-spectrum — 定分子式與裂片以交叉驗證
  • interpret-uv-vis-spectrum — 刻畫發色團與共軛程度
  • interpret-raman-spectrum — 獲對稱模式之互補振動數據
  • plan-spectroscopic-analysis — 於數據獲取前擇並排序光譜技術

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan-lite/skills/interpret-nmr-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