MCP HubMCP Hub
Вернуться к навыкам

interpret-nmr-spectrum

pjt222
Обновлено 2 days ago
6 просмотров
17
2
17
Посмотреть на GitHub
Другоеdata

О программе

Этот навык анализирует спектры ЯМР (1H, 13C, DEPT, 2D) для определения молекулярных структур путем присвоения химических сдвигов, интерпретации картины спин-спинового взаимодействия и корреляции многомерных данных. Он используется для установления структуры неизвестных соединений, проверки продуктов синтеза и анализа сложных спектров. Разработчики могут интегрировать его для автоматизации предложения структур на основе спектральных данных.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add pjt222/agent-almanac -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/pjt222/agent-almanac
Git клонированиеАльтернативный
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-nmr-spectrum

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

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:

  1. 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
  2. 記獲取參數:記譜儀頻率(如 400 MHz、600 MHz)、溶劑、溫度與參考標準
  3. 識溶劑與參考峰:用下表定位並排除溶劑信號
Solvent1H Residual (ppm)13C Signal (ppm)
CDCl37.2677.16
DMSO-d62.5039.52
D2O4.79--
CD3OD3.3149.00
Acetone-d62.0529.84, 206.26
C6D67.16128.06
  1. 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:

  1. 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
  2. 以化學位移區分類
Range (ppm)EnvironmentExamples
0.0--0.5Shielded (cyclopropane, M-H)Cyclopropyl H, metal hydrides
0.5--2.0Alkyl (CH3, CH2, CH)Saturated aliphatic chains
2.0--4.5Alpha to heteroatom/unsaturation-OCH3, -NCH2, allylic, benzylic
4.5--6.5Vinyl / olefinic=CH-, =CH2
6.5--8.5AromaticArH
9.0--10.0Aldehyde-CHO
10.0--12.0Carboxylic acid-COOH
0.5--5.0 (broad, exchangeable)OH, NHAlcohols, amines, amides
  1. 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
  2. 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:

  1. 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
  2. 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)
  3. 以類分 J 值
J Range (Hz)Coupling Type
0--3Geminal (2J) or long-range (4J, 5J)
6--8Vicinal aliphatic (3J)
8--10Vicinal with restricted rotation
10--17Vicinal olefinic cis (6--12) or trans (12--18)
0--3Aromatic meta
6--9Aromatic ortho
  1. 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
  2. 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:

  1. 數異 13C 信號:比 13C 峰數於分子式。較預期少示分子對稱
  2. 以化學位移分類
Range (ppm)Carbon TypeExamples
0--50sp3 AlkylCH3, CH2, CH, quaternary C
50--100Alpha to O or N-OCH3, -OCH2, anomeric C
100--150Aromatic / vinyl=CH-, ArC
150--170Heteroaromatic / enol / imineC=N, C-O aromatic
170--185Carboxyl / ester / amide-COOH, -COOR, -CONR2
185--220Aldehyde / ketone-CHO, >C=O
  1. 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
  2. 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:

  1. 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
  2. HSQC(1H-13C 一鍵):指派每質子於其直連碳。此明確連 1H 與 13C 指派
  3. 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
  4. 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
  5. 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:

  1. 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
  2. 查分子式:驗擬議結構恰合分子式(原子數、不飽和度)
  3. 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
  4. 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
  5. 思替代:若多結構合數據,列可解模糊之區別實驗或相關
  6. 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

GitHub репозиторий

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

Похожие навыки

llamaguard

Другое

LlamaGuard — это модель от Meta с 7–8 миллиардами параметров для модерации входных и выходных данных больших языковых моделей по шести категориям безопасности, таким как насилие и разжигание ненависти. Она обеспечивает точность 94–95% и может быть развернута с помощью vLLM, Hugging Face или Amazon SageMaker. Используйте этот навык, чтобы легко интегрировать фильтрацию контента и защитные механизмы в ваши ИИ-приложения.

Просмотреть навык

cost-optimization

Другое

Этот навык Claude помогает разработчикам оптимизировать облачные расходы за счет правильного подбора ресурсов, стратегий тегирования и анализа затрат. Он предоставляет framework для сокращения облачных расходов и внедрения управления затратами в AWS, Azure и GCP. Используйте его, когда вам нужно проанализировать расходы на инфраструктуру, оптимизировать ресурсы или уложиться в бюджетные ограничения.

Просмотреть навык

quantizing-models-bitsandbytes

Другое

Этот навык выполняет квантизацию LLM до 8-битной или 4-битной точности с использованием библиотеки bitsandbytes, обеспечивая сокращение использования памяти на 50-75% при минимальной потере точности. Он идеально подходит для запуска больших моделей при ограниченной памяти GPU или для ускорения вывода, поддерживая форматы INT8, NF4 и FP4. Навык интегрируется с HuggingFace Transformers и позволяет использовать обучение QLoRA и 8-битные оптимизаторы.

Просмотреть навык

dispatching-parallel-agents

Другое

Этот навык Claude распределяет нескольких агентов для исследования и устранения трёх и более независимых проблем параллельно. Он предназначен для сценариев с несвязанными сбоями, которые можно устранить без общего состояния или зависимостей. Ключевая возможность — параллельное решение проблем, где за каждую независимую предметную область назначается отдельный агент для максимальной эффективности.

Просмотреть навык