interpret-nmr-spectrum
Acerca de
Esta habilidad interpreta espectros de RMN (1H, 13C, DEPT, 2D) para determinar la estructura molecular. Analiza desplazamientos químicos, patrones de acoplamiento e integra datos multidimensionales para proponer estructuras. Úsela cuando necesite elucidar compuestos orgánicos desconocidos o confirmar la identidad y pureza de moléculas sintetizadas a partir de datos 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 NMR 光譜
析一維與二維核磁共振光譜以歸峰、定偶合關係、提合諸觀測數據之分子結構片段。
用時
- 自 NMR 數據定未知有機化合之結構
- 證合成物之同與純
- 於疊訊之複光譜中歸峰
- 合諸 NMR 實驗(1H、13C、DEPT、COSY、HSQC、HMBC)成結構之一貫圖
- 別區位異構、立體異構、或構象異構
入
- 必要:NMR 光譜數據(至少一 1H 光譜及化學位移、多重性、積分)
- 必要:分子式或分子量(自質譜或元素分析)
- 可選:13C 與 DEPT 光譜(化學位移及多重性)
- 可選:2D 光譜(COSY、HSQC、HMBC、NOESY/ROESY 關聯表)
- 可選:採集用之溶劑與磁場強度
- 可選:既知結構約束(如反應起始物、IR 證之官能團)
法
第一步:評光譜類與採集參數
解讀前立可得數據及其質:
- 辨實驗類:錄可得諸光譜(1H、13C、DEPT-135、DEPT-90、COSY、HSQC、HMBC、NOESY、ROESY、TOCSY)。記所觀察核與維度
- 記採集參數:記波譜儀頻率(如 400 MHz、600 MHz)、溶劑、溫度、參考標準
- 辨溶劑與參考峰:以下表尋並除溶劑訊
| 溶劑 | 1H 殘留 (ppm) | 13C 訊 (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 |
- 評譜質:察基線平、多重峰之解析、信噪比。標任何偽影(旋轉邊帶、13C 衛星、CDCl3 中 ~1.56 ppm 之 H2O 等溶劑雜峰)
**得:**可得實驗之全錄,已證溶劑/參考峰除於析之外,及質評。
**敗則:**若光譜信噪差或基線嚴重失真,記此限並慎行。標不可信別於噪之諸峰。
第二步:析 1H 化學位移
以特徵位移範圍歸每 1H 訊於化學環境:
- 列諸訊:於每峰記化學位移 (ppm)、多重性、偶合常數 J (Hz)、相對積分
- 依位移區分類:
| 範圍 (ppm) | 環境 | 例 |
|---|---|---|
| 0.0--0.5 | 遮蔽(環丙烷、M-H) | 環丙基 H、金屬氫化物 |
| 0.5--2.0 | 烷(CH3、CH2、CH) | 飽和脂肪鏈 |
| 2.0--4.5 | α 至雜原子/不飽和 | -OCH3、-NCH2、烯丙、苄基 |
| 4.5--6.5 | 乙烯基/烯 | =CH-、=CH2 |
| 6.5--8.5 | 芳香 | ArH |
| 9.0--10.0 | 醛 | -CHO |
| 10.0--12.0 | 羧酸 | -COOH |
| 0.5--5.0(寬、可交換) | OH、NH | 醇、胺、醯胺 |
- 計氫數:以相對分子式之積分比歸每訊之質子數。規為最簡整數比
- 記可交換之質子:D2O 搖動後消之訊(OH、NH、COOH)為可交換。記其有無及近似位移
**得:**諸 1H 訊之表,附位移、多重性、J 值、積分(H 數)、初步環境歸屬。
**敗則:**若積分比不合預期質子總數,察疊訊、藏基線之寬峰、或分子式之誤。
第三步:定偶合型與 J 值
自分裂型提連結資訊:
- 辨多重性:歸每訊為單 (s)、雙 (d)、三 (t)、四 (q)、雙雙 (dd) 等。複多重峰 (m) 者估偶合夥之數
- 量偶合常數:以 Hz 提 J 值。配互偶(若 H_A 偶 H_B,J = 7.2 Hz,H_B 必顯同 J 於 H_A)
- 以類分 J 值:
| J 範圍 (Hz) | 偶合類 |
|---|---|
| 0--3 | 同碳 (2J) 或長程 (4J、5J) |
| 6--8 | 鄰位脂肪 (3J) |
| 8--10 | 旋轉受限之鄰位 |
| 10--17 | 鄰位烯順 (6--12) 或反 (12--18) |
| 0--3 | 芳香間位 |
| 6--9 | 芳香鄰位 |
- 圖偶合網:集相偶之質子為自旋系統。每系統示分子之一連片段
- 評屋簷效:AB 型中,雙峰之內線強於外線,示化學位移相近
**得:**諸偶合常數已量並互配,自旋系統已辨,偶合類已分。
**敗則:**若多重峰複而不可以一階律析,記此高階型。疊訊或強偶核 (delta-nu/J < 10) 生非一階型,須模擬。
第四步:析 13C 與 DEPT 數據
自 13C 實驗定碳類與數:
- 計各異 13C 訊:比 13C 峰數於分子式。少於預期則示分子對稱
- 依化學位移分類:
| 範圍 (ppm) | 碳類 | 例 |
|---|---|---|
| 0--50 | sp3 烷 | CH3、CH2、CH、四級 C |
| 50--100 | α 至 O 或 N | -OCH3、-OCH2、端基 C |
| 100--150 | 芳香/乙烯基 | =CH-、ArC |
| 150--170 | 雜芳香/烯醇/亞胺 | C=N、芳香 C-O |
| 170--185 | 羧基/酯/醯胺 | -COOH、-COOR、-CONR2 |
| 185--220 | 醛/酮 | -CHO、>C=O |
- 用 DEPT 編輯:以 DEPT-135(CH 與 CH3 向上、CH2 向下、四級不現)與 DEPT-90(僅 CH)定每碳所連氫數
- 算不飽和度:DBE = (2C + 2 + N - H - X) / 2。比於光譜暗示之 π 鍵與環
**得:**每 13C 訊依類(CH3、CH2、CH、C)與化學環境分類,不飽和度已算並合觀測官能團。
**敗則:**若 DEPT 數據闕,自 HSQC 關聯(第五步)推氫連結。若碳數不合分子式,察重合訊或藏噪之四級碳。
第五步:關聯 2D NMR 數據
以二維實驗建連結:
- COSY (1H-1H 關聯):辨何質子隔 2--3 鍵。圖交峰以證並擴第三步之自旋系統
- HSQC (1H-13C 一鍵):歸每質子於其直連碳。此明連 1H 與 13C 之歸屬
- HMBC (1H-13C 長程):辨 2--3 鍵之 H-C 關聯。HMBC 為連跨四級碳、雜原子、羰基(無直 H-C 鍵)之片段之關鍵
- NOESY/ROESY(穿空間):辨空間近(< 5 埃)之質子,無論鍵連。用於立體歸屬與構象析
- 建片段連結:以 HMBC 關聯連 COSY 之自旋系統為更大片段。每 HMBC 交峰示一 2--3 鍵之 H 至 C 之徑
**得:**連結圖連諸自旋系統成一貫分子框架,NOE 數據可得則附立體資訊。
**敗則:**若 2D 數據不全或曖,記暫定之連。或須多結構提。以 HMBC 為片段組裝之先,彼橋 COSY 不能及之隙。
第六步:提並驗結構
結片段為全結構之提:
- 組片段:以 HMBC 關聯與不飽和度約束連第二至第五步之結構片段
- 察分子式:驗所提結構精配分子式(原子數、不飽和度)
- 反推化學位移:為所提結構預期 1H 與 13C 化學位移。比於觀測值;偏 > 0.3 ppm (1H) 或 > 5 ppm (13C) 須再察
- 驗諸關聯:確諸觀測 COSY、HSQC、HMBC 關聯皆由所提結構釋之。未釋交峰示訛或雜質
- 慮替代:若多結構合數據,列可解曖之區分實驗或關聯
- 歸立體:以 NOE 數據、J 值析(二面角之 Karplus 關係)、既知構象偏好,歸相對及可能絕對立體
**得:**單最適結構之提,諸 NMR 數據皆有校,或候選之序列附辨識之策。
**敗則:**若無單結構容諸數據,察:化合混合(餘峰具非整數積分比)、動態過程(構象交換生寬峰)、或順磁雜質(異常展寬)。若多結構仍同可行,再察分子式。
驗
- 諸溶劑與參考峰已辨並除於解讀
- 每 1H 訊歸化學位移區、多重性、J 值、積分
- 偶合常數互配(於偶合夥間配)
- 13C 訊依 DEPT 多重性與化學位移區分類
- 不飽和度已算,合所提結構
- 2D 關聯(COSY、HSQC、HMBC)皆由結構之提釋之
- 所提結構精配分子式
- 反推化學位移於容忍內合觀測值
- 可則以 NOE 或 J 值析處立體
陷
- 忽溶劑峰:常溶劑生訊或疊分析物峰。解讀前恆辨並除溶劑殘留、水、油脂峰
- 強於二階型上施一階析:強偶核(小化學位移差於 J)生失真多重峰,不可以簡單 n+1 律解。識屋簷效與非二項強度型為兆
- 略可交換質子:OH 與 NH 訊或寬、或因濃度/溫度位移、或於質子溶劑中闕。D2O 搖動實驗明何訊可交換
- 假設諸 13C 峰皆可見:四級碳弛豫長而強度低。短採集光譜或闕。HMBC 關聯常為唯一察法
- 誤解 HMBC 偽影:HMBC 光譜或顯一鍵偽影(誤歸為長程)與弱四鍵關聯。以 HSQC 交察以濾一鍵漏透
- 忽對稱:若觀測 13C 峰數少於分子式所預,則分子或具對稱元素。結構提前計此
參
interpret-ir-spectrum— 辨官能團以約 NMR 結構之提interpret-mass-spectrum— 定分子式與碎裂以交叉驗interpret-uv-vis-spectrum— 述發色團與共軛之度interpret-raman-spectrum— 得對稱模式之互補振動數據plan-spectroscopic-analysis— 數據採集前擇並序光譜技術
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.
