Zurück zu Fähigkeiten

interpret-nmr-spectrum

pjt222
Aktualisiert 6 days ago
19 Ansichten
17
2
17
Auf GitHub ansehen
Anderedata

Über

Diese Fähigkeit interpretiert NMR-Spektren (1H, 13C, DEPT, 2D), um molekulare Strukturen durch die Analyse von chemischen Verschiebungen, Kopplungsmustern und mehrdimensionalen Korrelationen zu bestimmen. Sie wird zur Aufklärung unbekannter Verbindungen, zur Verifizierung von Syntheseprodukten und zur Auflösung komplexer Signalüberlagerungen eingesetzt. Entwickler können sie integrieren, um spektrale Daten zu verarbeiten und aus den kombinierten experimentellen Ergebnissen kohärente Strukturvorschläge zu generieren.

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 NMR 譜

析一維與二維 NMR→賦峰、定偶合、提與諸觀察數據合之結構片。

  • 由 NMR 定未知有機化合物之結構
  • 證合成物之身與純
  • 疊信號之複譜賦峰
  • 合多 NMR 實驗(1H、13C、DEPT、COSY、HSQC、HMBC)為統一結構圖
  • 辨區域、立體、構象異構

  • :NMR 譜(至少 1H 譜附化學位移、多重性、積分)
  • :分子式或分子量(由 MS 或元素析)
  • :13C 與 DEPT(化學位移與多重性)
  • :2D 譜(COSY、HSQC、HMBC、NOESY/ROESY 相關表)
  • :溶劑與場強
  • :已知結構約(如反應起原料、IR 證官能團)

一:評譜型與採參

析前立可用數據及其質:

  1. 識實驗型:列可用譜(1H、13C、DEPT-135、DEPT-90、COSY、HSQC、HMBC、NOESY、ROESY、TOCSY)。記觀察核與維數
  2. 記採參:譜儀頻(如 400 MHz、600 MHz)、溶劑、溫、參標
  3. 識溶劑與參峰:以下表尋並排溶劑信號:
溶劑1H 殘(ppm)13C 信(ppm)
CDCl37.2677.16
DMSO-d62.5039.52
D2O4.79--
CD3OD3.3149.00
Acetone-d62.0529.84, 206.26
C6D67.16128.06
  1. 評譜質:察基線平度、多重峰解析度、信噪比。標偽影(旋轉邊帶、13C 衛星、溶劑雜峰如 CDCl3 中 ~1.56 ppm H2O)

得:可用實驗清單全,溶劑/參峰已排,質評備。

敗:若信噪差或基線嚴重扭曲→記限並謹行。標不可靠辨於噪之諸峰。

二:析 1H 化學位移

以特徵位移範賦各 1H 信號:

  1. 列諸信號:各峰記位移(ppm)、多重性、J(Hz)、相對積分
  2. 按位移區歸
範(ppm)環境
0.0-0.5屏蔽(環丙、M-H)環丙 H、金屬氫化
0.5-2.0烷(CH3、CH2、CH)飽和脂鏈
2.0-4.5α 雜原子/不飽和-OCH3、-NCH2、烯丙、苄位
4.5-6.5乙烯/烯=CH-、=CH2
6.5-8.5ArH
9.0-10.0-CHO
10.0-12.0羧酸-COOH
0.5-5.0(寬、可交換)OH、NH醇、胺、酰胺
  1. 計氫:以相對分子式之積分比賦每信號之質子數。歸至最簡整數比
  2. 記可交換質子:D2O 搖動時消失(OH、NH、COOH)為可交換。記其存與約位移

得:諸 1H 信號表(位移、多重性、J、積分(H 數)、初環境歸)。

敗:若積分比不合預期總質子數→察疊信號、基線中隱寬峰、或分子式誤。

三:定偶合式與 J 值

由裂式提連接信息:

  1. 識多重性:各信號賦為單(s)、雙(d)、三(t)、四(q)、雙之雙(dd)等。複多重峰(m)估偶合伙伴數
  2. 量偶合常數:提 J 值(Hz)。匹互偶(若 H_A 對 H_B 之 J = 7.2 Hz→H_B 對 H_A 當示同 J)
  3. 按型歸 J
J 範(Hz)偶合型
0-3同碳(2J)或遠程(4J、5J)
6-8鄰位脂(3J)
8-10鄰位有限旋轉
10-17鄰位烯順(6-12)或反(12-18)
0-3芳間
6-9芳鄰
  1. 圖偶合網:分互偶質子為自旋系。各自旋系代表分子之連接片
  2. 察屋頂效:AB 型式中雙峰內線較外線強→化學位移近

得:諸偶合常數量並互匹,自旋系識,偶合型歸。

敗:若多重峰過複不可以一階律析→記高階式。考疊信號或強偶核(delta-nu/J < 10)→生非一階式需模擬。

四:析 13C 與 DEPT 數據

由 13C 實驗定碳型與計數:

  1. 計不同 13C 信號:比 13C 峰數與分子式。少於預期→分子對稱
  2. 按位移歸
範(ppm)碳型
0-50sp3 烷CH3、CH2、CH、季碳
50-100α O 或 N-OCH3、-OCH2、異頭碳
100-150芳/烯=CH-、ArC
150-170雜芳/烯醇/亞胺C=N、C-O 芳
170-185羧基/酯/酰胺-COOH、-COOR、-CONR2
185-220醛/酮-CHO、>C=O
  1. 用 DEPT 編輯:DEPT-135(CH 與 CH3 上、CH2 下、季無)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。比譜含之 π 鍵與環數

得:各 13C 信號歸型(CH3、CH2、CH、C)與化學環境,不飽和度算並合觀察官能團。

敗:若無 DEPT 數據→由 HSQC 相關(步五)推氫附。若碳計不合分子式→察重合信號或噪中隱之季碳。

五:合 2D NMR 數據

以二維實驗構連接:

  1. COSY(1H-1H 相關):識 2-3 鍵間之質子。圖交叉峰以證並延自旋系
  2. HSQC(1H-13C 一鍵):各質子賦其直連之碳。此無歧鏈接 1H 與 13C 之賦
  3. HMBC(1H-13C 遠程):識 2-3 鍵 H-C 相關。HMBC 對連片跨季碳、雜原子、羰基(缺直 H-C 鍵)關鍵
  4. NOESY/ROESY(空間):識空間近(< 5 埃)之質子,不拘鍵連。用於立體化學賦與構象析
  5. 構片連接:以 HMBC 相關連 COSY 自旋系為大片。各 HMBC 交叉峰代 H 至 C 之 2-3 鍵路

得:連接圖鏈諸自旋系為一致分子框,NOE 在時附立體信息。

敗:若 2D 數據不全或模糊→記試定連接。或須多結構提案。優先 HMBC 以拼片,因其跨 COSY 不及之隙。

六:設並證結構

輯片為全結構提案:

  1. 輯片:以 HMBC 相關與不飽和度約連步二至五之結構片
  2. 察分子式:驗設結構正合分子式(原子數、不飽和度)
  3. 逆預化學位移:為設結構預測 1H、13C 位移。比預測 vs 觀察值;偏差 > 0.3 ppm(1H)或 > 5 ppm(13C)→須重審
  4. 驗諸相關:證諸觀察 COSY、HSQC、HMBC 相關皆由設結構釋。未釋交叉峰示錯或雜
  5. 考替代:若多結構合→列辨實驗或相關以解模糊
  6. 賦立體化學:用 NOE 數據、J 值析(Karplus 關係定二面角)、已知構象偏好以賦相對立體,可能時絕對立體

得:單最佳結構提案計諸 NMR 數據,或排候選列附辨計劃。

敗:若無單結構計諸數據→察:混物(非整積分比之額外峰)、動過程(構象交換之寬峰)、順磁雜(異常寬化)。若多結構仍等效→復察分子式。

  • 諸溶劑與參峰識並排
  • 各 1H 信號賦位移區、多重性、J 值、積分
  • 偶合常數互匹(於偶合伙伴間)
  • 13C 信號按 DEPT 多重性與位移區歸
  • 不飽和度算並合設結構
  • 2D 相關(COSY、HSQC、HMBC)皆由結構提案釋
  • 設結構正合分子式
  • 逆預位移與觀察值於容差內合
  • 適用處以 NOE 或 J 值析處立體化學

  • 忽溶劑峰:常溶劑生信號可疊分析物。必識並排溶劑殘、水、油脂峰
  • 二階式強用一階析:強偶核(位移差小於 J)→扭曲多重峰不可以簡 n+1 律解。識屋頂效與非二項強度為指標
  • 忽可交換質子:OH、NH 信號或寬、因濃/溫移、或於質子溶劑缺。D2O 搖清示哪信號可交換
  • 假設諸 13C 峰可見:季碳弛長、強低。短採譜或缺。HMBC 相關常唯一察之方
  • 誤解 HMBC 偽影:HMBC 可示一鍵偽影(誤歸遠程)與弱四鍵相關。以 HSQC 互查濾一鍵漏
  • 忽對稱:若觀察 13C 峰數少於分子式預→分子當有對稱。設結構前計

  • interpret-ir-spectrum —— 識官能團以約 NMR 結構提案
  • interpret-mass-spectrum —— 定分子式與裂片以交叉證
  • interpret-uv-vis-spectrum —— 徵發色團與共軛度
  • interpret-raman-spectrum —— 得稱模之互補振數據
  • plan-spectroscopic-analysis —— 數據採前擇譜技序

GitHub Repository

pjt222/agent-almanac
Pfad: i18n/wenyan-ultra/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