MCP HubMCP Hub
Retour aux compétences

interpret-nmr-spectrum

pjt222
Mis à jour 2 days ago
9 vues
17
2
17
Voir sur GitHub
Autredata

À propos

Cette compétence interprète les spectres RMN (1H, 13C, DEPT, 2D) pour déterminer la structure moléculaire. Elle analyse les déplacements chimiques, les motifs de couplage et intègre les données multidimensionnelles pour formuler des propositions structurales. Utilisez-la lorsque vous avez besoin d'élucider la structure de composés organiques inconnus ou de confirmer l'identité et la pureté de molécules synthétisées à partir de données spectrales.

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-nmr-spectrum

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

Documentation

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

  • 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)

第一步:評光譜類與採集參數

解讀前立可得數據及其質:

  1. 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
  2. 記採集參數:記波譜儀頻率(如 400 MHz、600 MHz)、溶劑、溫度、參考標準
  3. 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)
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、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:

  1. 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
  2. 依位移區分類
範圍 (ppm)環境
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--4.5α 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-CHO
10.0--12.0羧酸-COOH
0.5--5.0(寬、可交換)OH、NH醇、胺、醯胺
  1. 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
  2. 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:

  1. 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
  2. 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)
  3. 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
  1. 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
  2. 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:

  1. 計各異 13C 訊:比 13C 峰數於分子式。少於預期則示分子對稱
  2. 依化學位移分類
範圍 (ppm)碳類
0--50sp3 烷CH3、CH2、CH、四級 C
50--100α 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
  1. 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
  2. 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:

  1. 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
  2. HSQC (1H-13C 一鍵):歸每質子於其直連碳。此明連 1H 與 13C 之歸屬
  3. 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
  4. 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
  5. 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:

  1. 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
  2. 察分子式:驗所提結構精配分子式(原子數、不飽和度)
  3. 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
  4. 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
  5. 慮替代:若多結構合數據,列可解曖之區分實驗或關聯
  6. 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。

  • 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

  • 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

  • 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

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/wenyan/skills/interpret-nmr-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