NMR Predictor 原理及应用：两种核心算法与六个实战示例

NMR Predictor 算法

NMR Predictor 提供两类核心算法，适用场景各有侧重：

HOSE Code（Hierarchical Organization of Spherical Environments，球状环境层级描述）算法：依赖后台数据库，预测中心原子的化学位移时，会在数据库中寻找化学环境相似（如三个键长范围内的相似片段）的结构，以这些已知结构的化学位移为基础外推新结构的中心原子位移。预测结果较为准确，但对运算规模有一定限制。
神经网络（Neural Network）算法：是一个封装好的模型，基于数千个描述原子化学结构的特征进行预测。运算速度快，在处理大量结构的批量预测时更受青睐。
增量法（Incremental）：作为一种补充算法，与 HOSE、神经网络共同构成软件的多算法体系，用户可按化合物类型灵活选择。

经验性建议：单个结构预测优先使用 HOSE Code 算法（精度更高）；大量结构批量预测推荐使用 Neural Network 算法（速度更快）。

图1. HOSE Code 算法示意：软件在后台数据库中寻找与中心原子三键长范围内相似的片段，据此外推化学位移

庞大且经过严格验证的内置训练数据库，是保证预测准确性的基础。HOSE Code 算法还可以用 in-house（自有）数据补充训练，进一步提高对特定化合物类型的预测精度。软件所访问的数据库积累了 26 年来的预测数据，包含：

图2. NMR Predictor 庞大的内置训练数据库（*数据库单独出售）

化学家发现一个紫罗兰酮的甲氧基化合物衍生物，四个 –OH 位点均可形成甲氧基化，因而有四种可能产物。思路是：采集目标物的碳谱，用 NMR Predictor 预测四个可能产物的碳谱，再与实验碳谱比对。

图3. 紫罗兰酮衍生甲氧基化合物：实验谱与四个可能结构的预测谱对比。第三个结构的预测谱与实验谱基本接近，其余三个差异明显，据此快速确认第三个为正确结构

某合成化合物含有较多 CH₂ 片段，且氢谱化学位移彼此接近，高场区氢的辨认可能存在困难。在 Predictor 中预测该化合物的氢谱（预测谱已带归属结果），再与实验谱比对，即可参考预测归属解析实际谱图。

图4. 预测谱（带归属）与实验谱比对：2、6 号位 CH₂ 在预测谱上显示四个谱峰，实验谱相应位置也能找到对应峰。这是酰胺键平均化共轭体系造成的磁不等价——尽管结构上对称，实际磁环境并不等价，四个峰是正确的

一个典型 Suzuki 反应中，起始物料存在两个 Br，有两个反应位点，可能生成两个产物 A、B。两者虽可用二维谱区分，但二维实验耗时长、需解析。能否从氢谱化学位移上快速区分？氢谱采集约 5 分钟，而二维实验以小时计。

图5. A、B 两结构的预测谱与实验谱对比：A 结构的预测谱更接近实验谱，据此确认 A 为实验产物结构

反应原料结构虽简单，读懂其谱图仍可能有困难。用 Predictor 预测谱与实验谱比对，可帮助合成化学家快速、准确地确认原料结构正确与否。

图6. 原料级化合物预测谱与实验谱对比：谱峰位置一一对应，结构无误

高通量实验室每天合成大量化合物，递交时需基本确认结构正确。对每个化合物都做二维实验确证不现实。可考虑用氢谱快速确认——预测氢谱与实验氢谱谱峰位置基本符合理论位置，即可基本确认结构。

注意：软件在预测谱图时不预测氘代试剂的谱峰。

含 F、P 的化合物谱图通常较常规化合物复杂：F、P 与相邻氢和碳的耦合会使谱峰分裂。ACD Predictor 可很好地预测含 F、P 化合物谱图，降低解析难度。

图7. 含三氟甲基化合物：8 号位和 2 号位碳被三氟甲基的 F 耦合裂分为四重峰，实验谱相应位置可见同样的两组峰（8 号位耦合常数较大，2 号位较小）

凯美科提示：凯美科为医药、化工、食品等领域用户提供 ACD/Labs 全线产品的方案咨询、演示与技术服务。如希望就您实际样品体验 NMR Predictors 的预测与结构确认能力，欢迎联系我们安排数据演示。