MCP HubMCP Hub
Volver a habilidades

interpret-nmr-spectrum

pjt222
Actualizado 6 days ago
15 vistas
17
2
17
Ver en GitHub
Otrodata

Acerca de

Esta habilidad interpreta espectros de RMN (1H, 13C, DEPT, 2D) para determinar estructuras moleculares mediante el análisis de desplazamientos químicos, patrones de acoplamiento y correlaciones multidimensionales. Se utiliza para dilucidar compuestos desconocidos, verificar productos de síntesis y resolver superposiciones complejas de señales. Los desarrolladores pueden integrarla para procesar datos espectrales y generar propuestas estructurales coherentes a partir de los resultados experimentales combinados.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add pjt222/agent-almanac -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativo
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-nmr-spectrum

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

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

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan-ultra/skills/interpret-nmr-spectrum
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Habilidades relacionadas

llamaguard

Otro

LlamaGuard 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.

Ver habilidad

cost-optimization

Otro

Esta 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.

Ver habilidad

quantizing-models-bitsandbytes

Otro

Esta 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.

Ver habilidad

dispatching-parallel-agents

Otro

Esta 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.

Ver habilidad