NMR Predict 测试实验室 2023-06-27T16:00:51+00:00 Mnova NMRPredict是Mnova产品架构中的一个基础插件,主要功能是从化学结构提供快速准确的核磁共振谱预测。 它使用了集成核磁共振预测,这是一种结合了多种预测引擎的新方法,包括多种机器学习方法,并结合了Modgraph Consultants开发的著名增量和HOSE代码算法。 NMRPredict包括Modgraph和Mestrelab Predictors许可证。 年度订阅版: 学术版:¥1,904/席位 商业版:¥7,451/席位 永久版: 学术版:¥6,189/席位 商业版:¥24,222/席位 作为工作流程的一部分,轻松合并和比较实验数据与预测数据。 NMR Predict 亮点 更快为您的光谱做出更好的决策! 计算并显示1H、13C 和其他核素(11B、15N、17O、19F、29Si、31P)的精确化学位移,以及 J(HH)、J(HF)、J(HP)、J(CF) 和 J(CP)。 预测的 1H-NMR 光谱是采用严格的量子机制方法合成的,该方法考虑到了强耦合效应。 如果有实验光谱,预测将使用相同的实验条件(如溶剂和光谱特性:光谱宽度、光谱仪频率、化学位移参考、数字点数等)。 通过从已分配的分子结构中建立 NMR 数据库来训练预测。 能够深入挖掘用户指定的 1H 和 13C实验数据。 每个预测值都附有置信区间。 NMR Predict 特点 13CNMR 预测 13C NMR 化学位移的预测是在 Mnova NMRPredict 中使用两种不同的程序进行的,然后通过所谓的"最佳 "预测进行组合。 第一个是以化学位移预测为导向的数据库。该数据库采用扩展的HOSE 编码方法 (层次有序的球形环境)。它包括对每个碳原子化学环境的一维编码。HOSE 编码方法对于在参考文献中得到充分体现的查询结构非常有效。从感兴趣的原子开始,使用定义原子类型、键类型、环闭合和球形的字符对与该原子直接成键(第一球形)、超过两个键(第二球形)的所有原子进行编码,以此类推。 最佳 "预测也使用了神经网络算法,该算法比 HOSE 代码方法的容错能力更强。当数据库中没有查询原子时,它能给出更准确的结果。 1H NMR 预测 这种预测方法与 13C 光谱类似。首先,根据表中结构类别的化学位移进行预测算法,并根据相邻官能团或亚结构的加成进行校正。这些亚结构提供了最终预测化学位移的基础值。此外,还采用了基于部分原子电荷和立体相互作用的补充预测方法。 这种名为CHARGE 的算法是一种复合程序,由基于神经网络的单键、双键和三键取代基效应方法以及取代基长程效应的理论计算组成。这种方法首先需要根据二维结构生成三维构象,然后预测所有构象的单独光谱。最后,计算出平均预测光谱(采用波尔兹曼加权平均法计算所有低能构象的位移)。 1H NMR "最佳"预测分析了两种互补方法的单个化学位移,从而得出一个统一的预测化学位移。