interpret-nmr-spectrum
Acerca de
Esta habilidad analiza espectros de RMN (1H, 13C, DEPT, 2D) para determinar estructuras moleculares mediante la asignación de desplazamientos químicos, la interpretación de patrones de acoplamiento y la correlación de datos multidimensionales. Se utiliza para dilucidar compuestos desconocidos, verificar productos de síntesis y analizar espectros complejos. Los desarrolladores pueden integrarla para automatizar propuestas estructurales a partir de entradas espectrales.
Instalación rápida
Claude Code
Recomendadonpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-nmr-spectrumCopia y pega este comando en Claude Code para instalar esta habilidad
Documentación
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:
- 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
- 記獲取參數:記譜儀頻率(如 400 MHz、600 MHz)、溶劑、溫度與參考標準
- 識溶劑與參考峰:用下表定位並排除溶劑信號
| Solvent | 1H Residual (ppm) | 13C Signal (ppm) |
|---|---|---|
| CDCl3 | 7.26 | 77.16 |
| DMSO-d6 | 2.50 | 39.52 |
| D2O | 4.79 | -- |
| CD3OD | 3.31 | 49.00 |
| Acetone-d6 | 2.05 | 29.84, 206.26 |
| C6D6 | 7.16 | 128.06 |
- 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:
- 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
- 以化學位移區分類:
| Range (ppm) | Environment | Examples |
|---|---|---|
| 0.0--0.5 | Shielded (cyclopropane, M-H) | Cyclopropyl H, metal hydrides |
| 0.5--2.0 | Alkyl (CH3, CH2, CH) | Saturated aliphatic chains |
| 2.0--4.5 | Alpha to heteroatom/unsaturation | -OCH3, -NCH2, allylic, benzylic |
| 4.5--6.5 | Vinyl / olefinic | =CH-, =CH2 |
| 6.5--8.5 | Aromatic | ArH |
| 9.0--10.0 | Aldehyde | -CHO |
| 10.0--12.0 | Carboxylic acid | -COOH |
| 0.5--5.0 (broad, exchangeable) | OH, NH | Alcohols, amines, amides |
- 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
- 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:
- 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
- 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)
- 以類分 J 值:
| J Range (Hz) | Coupling Type |
|---|---|
| 0--3 | Geminal (2J) or long-range (4J, 5J) |
| 6--8 | Vicinal aliphatic (3J) |
| 8--10 | Vicinal with restricted rotation |
| 10--17 | Vicinal olefinic cis (6--12) or trans (12--18) |
| 0--3 | Aromatic meta |
| 6--9 | Aromatic ortho |
- 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
- 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:
- 數異 13C 信號:比 13C 峰數於分子式。較預期少示分子對稱
- 以化學位移分類:
| Range (ppm) | Carbon Type | Examples |
|---|---|---|
| 0--50 | sp3 Alkyl | CH3, CH2, CH, quaternary C |
| 50--100 | Alpha to O or N | -OCH3, -OCH2, anomeric C |
| 100--150 | Aromatic / vinyl | =CH-, ArC |
| 150--170 | Heteroaromatic / enol / imine | C=N, C-O aromatic |
| 170--185 | Carboxyl / ester / amide | -COOH, -COOR, -CONR2 |
| 185--220 | Aldehyde / ketone | -CHO, >C=O |
- 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
- 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:
- 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
- HSQC(1H-13C 一鍵):指派每質子於其直連碳。此明確連 1H 與 13C 指派
- 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
- 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
- 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:
- 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
- 查分子式:驗擬議結構恰合分子式(原子數、不飽和度)
- 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
- 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
- 思替代:若多結構合數據,列可解模糊之區別實驗或相關
- 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
Repositorio GitHub
Habilidades relacionadas
llamaguard
OtroLlamaGuard es el modelo de Meta de 7-8B parámetros para moderar las entradas y salidas de LLM en seis categorías de seguridad como violencia y discurso de odio. Ofrece una precisión del 94-95% y puede implementarse usando vLLM, Hugging Face o Amazon SageMaker. Utiliza esta skill para integrar fácilmente filtrado de contenido y barreras de seguridad en tus aplicaciones de IA.
cost-optimization
OtroEsta Skill de Claude ayuda a los desarrolladores a optimizar los costes en la nube mediante el ajuste de tamaño de recursos, estrategias de etiquetado y análisis de gastos. Proporciona un marco para reducir los gastos en la nube e implementar una gobernanza de costes en AWS, Azure y GCP. Úsala cuando necesites analizar los costes de infraestructura, ajustar el tamaño de los recursos o cumplir con restricciones presupuestarias.
quantizing-models-bitsandbytes
OtroEsta habilidad cuantiza LLMs a precisión de 8 o 4 bits utilizando bitsandbytes, logrando una reducción de memoria del 50-75% con pérdida mínima de precisión. Es ideal para ejecutar modelos más grandes en memoria GPU limitada o para acelerar la inferencia, admitiendo formatos como INT8, NF4 y FP4. La habilidad se integra con HuggingFace Transformers y permite entrenamiento QLoRA y optimizadores de 8 bits.
dispatching-parallel-agents
OtroEsta Skill de Claude despliega múltiples agentes para investigar y solucionar 3 o más problemas independientes de forma concurrente. Está diseñada para escenarios que involucran fallos no relacionados que pueden resolverse sin estado compartido o dependencias. Su capacidad principal es la resolución paralela de problemas, asignando un agente por cada dominio problemático independiente para maximizar la eficiencia.
