MCP HubMCP Hub
Retour aux compétences

interpret-mass-spectrum

pjt222
Mis à jour Yesterday
2 vues
17
2
17
Voir sur GitHub
Autregeneral

À propos

Cette compétence interprète les spectres de masse pour déterminer les formules moléculaires, identifier les schémas de fragmentation et proposer des caractéristiques structurales. Elle est utilisée pour analyser des composés inconnus, vérifier les produits de synthèse et identifier les impuretés en utilisant des données telles que les valeurs m/z et les méthodes d'ionisation. Les capacités clés incluent l'évaluation des techniques d'ionisation, l'analyse des profils isotopiques et l'évaluation des pertes de fragmentation courantes.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add pjt222/agent-almanac -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternatif
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-mass-spectrum

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

解讀質譜

分析任何常用電離法之質譜以定分子離子、分子式、裂片路徑與分析物之結構特徵。

適用時機

  • 定未知化合物之分子量與分子式
  • 以分子離子與裂片確合成產物之同一
  • 於樣品中識別雜質或降解產物
  • 自特徵裂片損失擬議結構特徵
  • 分析同位素模式以檢鹵素、硫或金屬

輸入

  • 必要:質譜數據(m/z 值附相對強度,至少全掃光譜)
  • 必要:所用電離法(EI、ESI、MALDI、CI、APCI、APPI)
  • 選擇性:高分辨質量數據(精確質量,測 vs. 計)
  • 選擇性:自他源得之分子式(元素分析、NMR)
  • 選擇性:串級 MS/MS 數據(所選前驅離子之裂片)
  • 選擇性:色譜上下文(LC-MS 或 GC-MS 保留時間、純度)

步驟

步驟一:識電離法與預期離子類型

指派峰之前定光譜所含物種:

  1. 分類電離法
MethodEnergyPrimary IonFragmentationTypical Use
EI (70 eV)HardM+. (radical cation)ExtensiveSmall volatile molecules, GC-MS
CISoft[M+H]+, [M+NH4]+MinimalMolecular weight confirmation
ESISoft[M+H]+, [M+Na]+, [M-H]-MinimalPolar, biomolecules, LC-MS
MALDISoft[M+H]+, [M+Na]+, [M+K]+MinimalLarge molecules, polymers, proteins
APCISoft[M+H]+, [M-H]-SomeMedium polarity, LC-MS
  1. 記極性模式:正模式產陽離子;負模式產陰離子。ESI 常兩用
  2. 查加合與簇:軟電離除 [M+H]+ 外常產 [M+Na]+(M+23)、[M+K]+(M+39)、[2M+H]+ 與 [2M+Na]+。指派分子離子之前識別此者
  3. 識多電荷離子:於 ESI,多電荷離子於 m/z = (M + nH) / n。尋分數 m/z 間距之峰(如 0.5 Da 間距示 z=2)

預期: 電離法已記錄,預期離子類型已列,加合/簇已識別,以便定真分子離子。

失敗時: 若電離法未知,察光譜尋線索:廣裂片示 EI,加合模式示 ESI,矩陣峰示 MALDI。可得則查儀器日誌。

步驟二:定分子離子與分子式

識分子離子峰並導分子式:

  1. 定分子離子(M):於 EI,M+. 為有合理同位素模式之最高 m/z 峰(於不穩化合物或弱或缺)。於軟電離,識 [M+H]+ 或 [M+Na]+ 並減加合得 M
  2. 用氮規則:奇分子量示奇數氮原子。偶分子量示零或偶數氮
  3. 算不飽和度(DBE):DBE = (2C + 2 + N - H - X) / 2,X = 鹵素。每環或 pi 鍵貢 1 DBE。苯 = 4 DBE,羰基 = 1 DBE
  4. 用高分辨數據:若精確質量可得,用質量缺陷算分子式。於質量精度窗內(今儀器常 < 5 ppm)比測量於所有候選式
  5. 以同位素模式交叉查:觀之同位素模式必合擬議分子式(見步驟三)

預期: 分子離子已識,分子量已定,氮規則已用,分子式已擬(若可得 HRMS 則已確)。

失敗時: 若 EI 中不見分子離子(熱不穩或高度支鏈化合物常如此),試較軟電離法。若分子離子模糊,查最高 m/z 峰之常小碎片損失(如 M-1、M-15、M-18 可助定 M)。

步驟三:分析同位素模式

用同位素特徵檢特定元素:

  1. 單同位素元素:H、C、N、O、F、P、I 有特徵自然豐度模式。僅含 C、H、N、O 者,M+1 峰約為每碳 1.1%
  2. 鹵素模式
ElementIsotopesM : M+2 RatioVisual Pattern
35Cl / 37Cl35, 373 : 1Doublet, 2 Da apart
79Br / 81Br79, 811 : 1Equal doublet, 2 Da apart
2 Cl--9 : 6 : 1Triplet
2 Br--1 : 2 : 1Triplet
1 Cl + 1 Br--3 : 4 : 1Characteristic quartet-like
  1. 硫檢測:34S 於 M+2 貢 4.4%。相對 M 約 4--5%(校正 13C2 貢獻後)之 M+2 峰示一硫原子
  2. 矽檢測:29Si(5.1%)與 30Si(3.4%)產顯著 M+1 與 M+2 貢獻
  3. 比計算模式:用擬議分子式算理論同位素模式。疊於觀之模式以確或否分子式

預期: 同位素模式已分析,Cl、Br、S、Si 之存否已定,模式與擬議分子式一致。

失敗時: 若同位素分辨不足(低分辨儀器),M+2 模式或不可分。記此限並依精確質量與他光譜數據定元素組成。

步驟四:識裂片損失與關鍵碎片離子

繪裂片路徑以抽結構信息:

  1. 錄主要碎片:列所有相對強度 > 5--10% 之峰與其 m/z 值
  2. 自分子離子計中性損失
Loss (Da)Neutral LostStructural Implication
1H.Labile hydrogen
15CH3.Methyl group
17OH.Hydroxyl
18H2OAlcohol, carboxylic acid
27HCNNitrogen heterocycle, amine
28CO or C2H4Carbonyl or ethyl
29CHO. or C2H5.Aldehyde or ethyl
31OCH3. or CH2OH.Methoxy or hydroxymethyl
32CH3OHMethyl ester
35/36Cl./HClChlorinated compound
44CO2Carboxylic acid, ester
45OC2H5.Ethoxy
46NO2.Nitro compound
  1. 識特徵碎片離子
m/zIonOrigin
77C6H5+Phenyl cation
91C7H7+Tropylium (benzyl rearrangement)
105C6H5CO+Benzoyl cation
43CH3CO+ or C3H7+Acetyl or propyl
57C4H9+ or C3H5O+tert-Butyl or acrolein
149Phthalate fragmentPlasticizer contaminant
  1. 繪裂片路徑:以連續損失連碎片離子,自 M 至低質量碎片構裂片樹
  2. 識重排離子:麥克拉弗蒂重排(γ 氫轉與 β 裂)自含羰化合物產偶電子離子。逆狄爾斯-阿爾德裂片為環己烯系之特徵

預期: 所有主要碎片離子已指派,中性損失已算並關於結構特徵,裂片樹已建。

失敗時: 若碎片不對應自分子離子之簡單損失,思重排過程。未指派之碎片或示意外官能團、雜質,或矩陣/背景峰。

步驟五:評純度並擬結構

評整體光譜以尋純度指標並合結構提議:

  1. 純度查:於 GC-MS 或 LC-MS 中察色譜尋附加峰。於直接進樣 MS 中尋非主分析物之碎片或加合之意外離子
  2. 背景與污染峰:常污染含酞酸酯增塑劑(m/z 149、167、279)、柱流失(GC-MS 之矽氧烷於 m/z 207、281、355、429),與溶劑簇
  3. 結構提議:合分子式(步驟二)、同位素模式(步驟三)與裂片(步驟四)以擬一結構或候選結構集
  4. 排候選:用裂片樹排結構候選。最佳結構以最少臨時假設釋最多碎片
  5. 交叉驗證:比擬議結構於他技術(NMR、IR、UV-Vis)之數據。質譜單獨鮮為新化合物供明確結構

預期: 純度已評,若存污染已識,結構提議(或已排之候選清單)與所有 MS 數據一致,可得處已交叉驗證。

失敗時: 若光譜似含多組分而未用色譜分離,標混合物並建議 LC-MS 或 GC-MS 再分析。若無令人滿意之結構提議現,識別何附加數據(HRMS、MS/MS、NMR)可解模糊。

驗證

  • 電離法已識別並記錄預期離子類型
  • 分子離子已定並與加合、碎片與簇別
  • 氮規則已用並與擬議式一致
  • 不飽和度已算並於結構中解
  • 同位素模式合擬議分子式
  • 主要碎片離子已指派附中性損失與結構理由
  • 裂片樹已自分子離子建至低質量碎片
  • 常污染與背景峰已識別並排除
  • 結構提議已與他光譜數據交叉驗證

常見陷阱

  • 誤識分子離子:於 EI,基峰常為碎片,非分子離子。分子離子為有化學合理同位素模式之最高 m/z 峰。ESI 之加合離子([M+Na]+、[2M+H]+)亦可誤作分子離子
  • 忽氮規則:奇質量分子離子需奇數氮。忘之致不可能之分子式
  • 混同質量損失:28 Da 損失可為 CO 或 C2H4;29 可為 CHO 或 C2H5。需高分辨 MS 或附加裂片數據別同質量損失
  • 忽多電荷離子:於 ESI,雙或三電荷離子於預期 m/z 之半或三分之一。尋同位素峰間非整數間距為多電荷之診斷
  • 過解低豐度峰:相對強度 < 1--2% 之峰或為噪音、同位素貢獻,或次污染,非有意義碎片
  • 假純樣:多現實光譜為混合物。恒查色譜純度並尋與擬議結構不合之離子

相關技能

  • interpret-nmr-spectrum — 定連接性與氫環境供結構確認
  • interpret-ir-spectrum — 識釋觀之裂片之官能團
  • interpret-uv-vis-spectrum — 刻畫分析物中之發色團
  • interpret-raman-spectrum — 互補振動分析
  • plan-spectroscopic-analysis — 於數據獲取前擇並排序分析技術
  • interpret-chromatogram — 分析與 MS 聯用之 GC 或 LC 色譜數據

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/wenyan-lite/skills/interpret-mass-spectrum
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Compétences associées

llamaguard

Autre

LlamaGuard est le modèle de Meta, doté de 7 à 8 milliards de paramètres, conçu pour modérer les entrées et sorties des LLM selon six catégories de sécurité comme la violence et les discours haineux. Il offre une précision de 94 à 95 % et peut être déployé avec vLLM, Hugging Face ou Amazon SageMaker. Utilisez cette compétence pour intégrer facilement le filtrage de contenu et des garde-fous de sécurité dans vos applications d'IA.

Voir la compétence

cost-optimization

Autre

Cette compétence de Claude aide les développeurs à optimiser les coûts du cloud grâce au redimensionnement des ressources, aux stratégies d'étiquetage et à l'analyse des dépenses. Elle fournit un cadre pour réduire les dépenses cloud et mettre en œuvre une gouvernance des coûts sur AWS, Azure et GCP. Utilisez-la lorsque vous devez analyser les coûts d'infrastructure, redimensionner les ressources ou respecter des contraintes budgétaires.

Voir la compétence

quantizing-models-bitsandbytes

Autre

Cette compétence quantifie les LLMs en précision 8 bits ou 4 bits à l'aide de bitsandbytes, permettant une réduction de 50 à 75 % de la mémoire utilisée avec une perte de précision minime. Elle est idéale pour exécuter des modèles plus volumineux sur une mémoire GPU limitée ou pour accélérer l'inférence, prenant en charge des formats comme INT8, NF4 et FP4. La compétence s'intègre à HuggingFace Transformers et permet l'entraînement QLoRA ainsi que l'utilisation d'optimiseurs en 8 bits.

Voir la compétence

dispatching-parallel-agents

Autre

Cette compétence Claude déploie plusieurs agents pour enquêter et résoudre simultanément 3 problèmes indépendants ou plus. Elle est conçue pour des scénarios impliquant des défaillances non liées qui peuvent être résolues sans état partagé ni dépendances. La capacité fondamentale est la résolution de problèmes en parallèle, en assignant un agent par domaine problématique indépendant afin de maximiser l'efficacité.

Voir la compétence