پشتیبانی از تفسیر طیف: NMR، IR و طیف‌سنجی جرمی

سود:

• توانایی درک آنچه NMR، IR و MS نشان می دهند و استفاده از هوش مصنوعی به عنوان آزمایشگر فرضیه بر اساس ساختار مورد انتظار
• امکان بررسی سازگاری انتساب با ارائه جزئیات کامل مانند ادغام، تقسیم، حل کننده و آستانه ppm
• توانایی درک اینکه تخصیص ساختار نهایی به شیمیدانی بستگی دارد که طیف آزمایشی را بررسی می کند و اینکه چندین تکنیک باید با هم استفاده شوند.

وقتی ترکیبی را سنتز می کنید، سوال واقعی این است: "آیا من واقعا مولکولی را که می خواستم به دست آوردم؟" این با طیف سنجی پاسخ داده می شود. سه تکنیک اساسی: NMR (محیط مغناطیسی هسته ها را می خواند و همسایگی اتم ها را نشان می دهد)، IR (ارتعاش پیوندها را در مولکول می خواند و گروه های عاملی را نشان می دهد)، و طیف سنجی جرمی (MS) (الگوی جرم و تکه تکه شدن مولکول را نشان می دهد). هوش مصنوعی دستیار قدرتمندی در تفسیر این طیف‌ها است: گروه‌بندی اوج می‌گیرد، تکالیف ممکن را پیشنهاد می‌کند، سازگاری را بررسی می‌کند. اما تخصیص ساختار نهایی توسط شیمیدانی انجام می شود که طیف آزمایشی را می بیند و ارزیابی می کند. در این بخش، ما یاد خواهیم گرفت که از هوش مصنوعی در تفسیر طیف به روش نظارت شده استفاده کنیم.

آنچه سه تکنیک می گویند

• 1H NMR: تعداد اتم های هیدروژن، همسایگان آنها (الگوی برش) و محیط شیمیایی (مقدار تغییر، ppm) را نشان می دهد. به عنوان مثال، در ~ 7 پی پی ام سیگنال ها نشان دهنده هیدروژن های معطر هستند، در ~ 2 پی پی ام یک گروه استیل منفرد.
• 13C NMR: اسکلت کربن را نشان می دهد. کربن کربونیل در حدود 170-200 ppm ظاهر می شود.
• IR: گروه های عملکردی را نشان می دهد. ~1700cm-1 کربونیل (C=O)، ~3300cm-1 باند پهن O-H یا N-H.
• MS: پیک یون مولکولی (M+) وزن مولکولی را می دهد، تکه تکه شدن سرنخ هایی از ساختار می دهد. MS با وضوح بالا (HRMS) فرمول مولکولی را تایید می کند.

هوش مصنوعی محدوده های معمولی این مقادیر را به خوبی می شناسد. بنابراین "1710 سانتی متر چه چیزی می تواند باشد؟" این سوال را با اطمینان پاسخ می دهد. نقطه ضعف آن در انجام تکالیف بدون دیدن جزئیات دقیق طیف تجربی واقعی است (قله های همپوشانی، سیگنال های ناخالصی).

نکته: طیف را با هم به عنوان "داده های خام + ساختار مورد انتظار" به هوش مصنوعی بدهید و بپرسید "آیا این داده ها با این ساختار سازگار است؟" بپرسید با استفاده از هوش مصنوعی به عنوان آزمایشگر فرضیه می پرسد "این طیف چه ترکیبی است؟" بسیار قابل اعتمادتر از درخواست از ابتدا است.

گام به گام: تفسیر طیف با هوش مصنوعی

1. ساختار مورد انتظار را ارائه دهید: SMILES ترکیبی را که سنتز کردید را بدهید. اجازه دهید هوش مصنوعی به شما بگوید که ابتدا چه چیزی را انتظار دارید.
2. صادرات داده های خام: لیست های اوج (تغییر NMR، ادغام، تقسیم، باندهای IR، مقادیر MS m/z) را به شیوه ای منظم وارد کنید.
3. یک سوال سازگاری بپرسید: "آیا این داده ها با ساختار مورد انتظار سازگار هستند؟ کدام قله با کدام اتم مطابقت دارد؟"
4. به دنبال شکاف ها باشید: "آیا قله ای وجود دارد که انتظار می رود اما قابل مشاهده نیست؟ آیا اوج غیرمنتظره ای (ناخالصی) وجود دارد؟"
5. آزمون جایگزین: اگر ناهماهنگی وجود دارد، "چه ساختار دیگری این داده ها را بهتر توضیح می دهد؟"
6. تصمیم انسانی: با بررسی طیف آزمایشی تکلیف نهایی را تأیید می کنید.

چهار قالب قابل کپی

1) بررسی قوام NMR 1H:

ترکیب مورد انتظار: 4-متوکسی استوفنون (SMILES: COc1ccc(cc1)C(C)=O). لیست پیک 1H NMR (CDCl3):- 7.93 ppm (2H, d)- 6.93 ppm (2H, d)- 3.87 ppm (3H, ppm 3H,5) s) وظیفه: 1) هر پیک به یک گروه هیدروژن ata اختصاص داده می شود. 2) آیا عدد H کل و ادغام سازگار هستند؟ تجزیه و تحلیل ثبات خود را ارائه دهید.

2) گروه عملکردی IR:

IR (cm^-1) باندهای قابل توجه: 1675، 1600، 1258، 2840. ترکیب مورد انتظار شامل یک کتون معطر و یک گروه متوکسی است. وظیفه: هر باند را به یک باند/گروه احتمالی اختصاص دهید. توضیح دهید که چرا 1675 cm^-1 و نه 1715 (اثر صرف؟).

3) تأیید فرمول MS:

[M+H]+ = 151.0754 اندازه گیری شده توسط HRMS. ترکیب مورد انتظار: 4-متوکسی استوفنون (C9H10O2). وظیفه: جرم نظری [M+H]+ برای C9H10O2 را محاسبه کنید، تفاوت ppm را با مقدار اندازه‌گیری شده بیابید، اگر مطابقت دارد نظر دهید. توجه: من جرم های تک ایزوتوپی دقیق را نیز بررسی خواهم کرد.

4) ترکیب چند تکنیک:

سه داده زیر به یک ترکیب تعلق دارند: - IR: عرض 3300 cm^-1، 1710 cm^-1.- 1H NMR: 12 ppm عرض 1H، 2.4 ppm 2H t، ...- MS: M+ = 88. وظیفه: این سه داده را با هم ارزیابی کنید و ساختار احتمالی را پیشنهاد دهید. به طور جداگانه بنویسید که هر مدرک از کدام ویژگی ساختاری پشتیبانی می کند. ساختارهای جایگزین را فهرست کنید و توضیح دهید که چرا آنها را حذف کردید.

اعلان ضعیف / اعلان قوی

ضعیف:

این NMR چیست؟ پیک هایی در 7.9 و 3.9 ppm وجود دارد.

بدون زمینه (حلال، ادغام، برش، ساختار مورد انتظار). هوش مصنوعی به طور تصادفی یک ترکیب را پیش بینی می کند.

قوی:

ترکیب مورد انتظار: مشتق آنیزول. 1H NMR (CDCl3): 7.93 (2H، d)، 6.93 (2H، d)، 3.87 (3H، s)، 2.56 (3H، s). وظیفه: سازگاری قله ها را با این ساختار بررسی کنید، هر قله را دور بیندازید، در صورت ناسازگاری، ساختار جایگزینی را پیشنهاد دهید.

تفاوت: ساختار مورد انتظار، لیست پیک کامل (ادغام + برش + حلال) و یک کار سازگاری واضح. هوش مصنوعی اکنون فرضیه ها را آزمایش می کند، نه پیش بینی.

مقایسه تکنیک ها

فنی

آنچه نشان می دهد

آیا پشتیبانی از هوش مصنوعی قوی است؟

نقطه تایید

1H NMR

شماره H، محله، محیط

قوی (تکلیف، ادغام)

مجموع ادغام = تعداد مولکول H

13C NMR

اسکلت کربنی

قدرتمند (فواصل لغزش)

تعداد کربن ها باید مطابقت داشته باشد

IR

گروه های عملکردی

قوی (تخصیص گروه)

نوارهای کربونیل، OH/NH

MS/HRMS

جرم، فرمول

قوی متوسط (محاسبه فرمول)

جرم نظری بر حسب ppm

موارد کوچک

مورد 1 - گرفتن قله ناقص. دانش آموزی 1H NMR محصول خود را با هوش مصنوعی بررسی کرد. YZ متوجه شد که یک پیک OH که قرار بود در ساختار مورد انتظار باشد در لیست نیست و گفت: "ممکن است پروتونی باشد که قابل تعویض است یا محصول اشتباه است." دانش‌آموز تست لرزش D2O را انجام داد، OH در واقع وجود داشت اما همپوشانی داشت. هشدار "اوج گمشده" هوش مصنوعی باعث شد که سوال درستی مطرح شود.

مورد 2 - تصحیح تکلیف نادرست. YZ در ابتدا یک سینگل با ppm 2.1 به متیل کتون اختصاص داد. اما ادغام به جای 3H 2H بود. کاربر این را بیان کرد، هوش مصنوعی انتساب را به یک گروه CH2 به روز کرد. درس: ادغام را برای هوش مصنوعی روشن کنید، در غیر این صورت آن را اشتباه پرتاب می کند.

مورد 3 - خطای HRMS ppm. ترکیب C10H12O2 انتظار می رفت ([M+H]+ نظری 165.0910). اندازه گیری 165.0912; اختلاف ppm 1.2 قابل قبول است (<5ppm). هوش مصنوعی این محاسبه را انجام داد، اما کاربر جرم‌های تک ایزوتوپی را نیز با یک ابزار مستقل بررسی کرد. ارزش ها همپوشانی دارند درس: اعتبار سنجی فرمول MS را با آستانه ppm انجام دهید، با چشم نگویید "بستن".

اشتباهات رایج

• درخواست بدون ارائه ساختار مورد انتظار. وادار کردن هوش مصنوعی به حدس زدن از ابتدا میزان خطا را افزایش می دهد. فرضیه را آزمایش کنید.
• رد شدن از یکپارچگی/شکاف. بدون این اطلاعات در NMR، تخصیص غیر قابل اعتماد است.
• فراموش کردن پیک حلال اختصاص سیگنال های حلال مانند CDCl3 ~ 7.26 ppm، DMSO ~ 2.50 ppm به ترکیب.
• نادیده گرفتن الگوی ایزوتوپی در ام اس در ترکیبات حاوی کلر/برم، الگوی M+2 اطلاعاتی در مورد ساختار می دهد.
• تکیه بر یک تکنیک واحد. در نظر گرفتن NMR، IR و MS با هم بسیار قوی تر از تکیه بر هر یک به تنهایی است.
• برای تایید طیف آزمایشی بدون دیدن آن. هوش مصنوعی لیست اوج را تفسیر می کند. برای جزئیاتی مانند همپوشانی، ناخالصی ها و غیره باید به طیف واقعی نگاه کرد.

توجه: فقط به این دلیل که هوش مصنوعی در تفسیر طیف می گوید "سازگار" به این معنی نیست که ساختار کاملاً صحیح است. این فقط به این معنی است که "این داده ها این ساختار را رد نمی کند". تخصیص دقیق نیاز به تکنیک های متعدد و قضاوت انسانی دارد.

به طور خلاصه

• NMR نشان‌دهنده همسایگی، IR نشان‌دهنده گروه عملکردی، MS نشان‌دهنده جرم/فرمول است. وقتی با هم استفاده می شوند قدرتمند هستند.
• از هوش مصنوعی به عنوان آزمایش‌کننده فرضیه استفاده کنید: ساختار مورد انتظار + داده‌های خام را ارائه دهید و از هماهنگی بخواهید.
• جزئیات کاملی مانند ادغام، تقسیم، حلال و آستانه ppm را وارد کنید.
• انجام اعتبار سنجی فرمول HRMS با آستانه عددی ppm. از الگوی ایزوتوپ ام اس غافل نشوید.
• تخصیص ساختار نهایی به عهده شیمیدانی است که طیف آزمایشی را بررسی می کند.

وظیفه کاربردی

داده های واقعی NMR، IR، و MS ترکیبی را که سنتز کرده اید (یا از یک مقاله ادبیات بازیابی شده است) دریافت کنید. ابتدا AI SMILES را بدهید و بپرسید "چه انتظاری باید داشته باشم؟" '، سپس داده های خام را بدهید و از نظر سازگاری بررسی کنید. سعی کنید در هر تکنیک یک تکلیف درست و یک تکلیف نادرست/ناقص از هوش مصنوعی پیدا کنید. تفاوت جرم نظری و اندازه گیری شده در ppm را برای HRMS محاسبه کنید. یافته ها را در یک جدول رسم کنید.

چک لیست

• [ ] من می دانم NMR، IR و MS چه چیزی را نشان می دهند.
• [ ] من ساختار مورد انتظار را به هوش مصنوعی می دهم و فرضیه را آزمایش می کنم.
• [ ] من به طور کامل وارد لیست ادغام، تقسیم، حلال و پیک می شوم.
• [ ] من تأیید HRMS را با آستانه ppm عددی می کنم.
• [ ] من چندین تکنیک را با هم ارزیابی می کنم.
• [ ] من تکلیف نهایی را با بررسی طیف تجربی تایید می کنم.