案例分享 | NMR Predictors在聚合物研究与复杂混合物分析中的应用

大家好，我是DuPont的Yiyong He。今天我将讨论ACD/NMR Predictors在聚合物研究和复杂混合物研究中的应用。

首先，我将简要介绍Dupont及我所在的部门；随后，展示对NMR Predictors软件的评估结果；进而通过三个具体应用案例，说明ACD/Labs ¹³C NMR Predictor的实际使用情况；最后进行总结。

Dupont创立于223年前。两个世纪以来，公司的产品组合经历了多次重大演变，目前专注于水净化、个人防护装备、工业技术领域，特别是在住宅建筑领域拥有重要布局。此外，Dupont也提供一些卓越的汽车相关产品，这里我展示一些你可能听说过的知名品牌，比如Kevlar, Nomex, Tyvek, Great Stuff, FilmTec。

我所属的部门为核心分析科学部，该部门独立于各业务线，旨在为Dupont所有业务板块提供支持。我们通过基于分析科学的解决方案驱动创新、创造价值并促进增长，工作范围涵盖研发支持、应用开发、生产制造及客户技术支持，全面承担技术服务和开发相关的各项任务。

在我的职业生涯中，我面临的主要挑战是复杂样品的NMR分析，这类样品——通常是聚合物与小分子的混合物，其中包含组分往往多达十种以上组分的情形十分常见。更为困难的是，关键信息往往来自含量极低的微量组分，其浓度可能仅为百分之一甚至更低。为应对这种挑战，我们广泛应用多种分析工具，使用的主要工具之一是ACD/Labs公司的NMR Predictors。作为该软件长达18年的忠实用户，我也积极推荐身边的同事加以运用。

接下来我们谈谈从谱图到结构的NMR数据解析路径。根据我的经验，通常有三种方法。

第一种为传统解析方法，需要通过运行一系列2D NMR实验，尝试建立碳碳、碳氢等相关信号之间的连接，逐步推导出可能的结构。

第二种方法是利用数字化与先进计算技术，将已有谱图数据存入数据库，通过将未知谱图与数据库进行匹配，寻找结构相符的参考结果。

第三种方法是进行预测，依托算法或理论对谱图进行预测，再通过实际实验数据对预测结果进行验证或修正。

这三种方法我在工作中均曾使用，但目前以预测方法为主。这与我目前所从事的具体工作性质相关。

01

第一类工作是聚合物研究。聚合物有太多的结构变化。因此，其谱图通常出现很多裂分峰、宽峰，显得非常拥挤。图中右上角我展示了一个简单的嵌段共聚物，它仅由两种单体构成。即使对于这种简单的聚合物，仍可能形成嵌段聚合物、无规共聚物、交替共聚物，或者介于两者之间的多种聚合物。因此，基本上，结构变化是近乎无限的。这使得通过谱图完全解析聚合物的整体结构极为困难，通常你只能关注局部结构的分析，而这正是ACD/NMR Predictors的绝佳应用场景。

02

第二类工作是复杂混合物的逆向解析。如前所述，此类混合物常含十种及以上组分，谱峰严重重叠，致使2D NMR解析与数据库检索均难以直接适用。

03

第三类工作是发现性分子的合成与表征。在此情况下，目标分子为首次合成，数据库中并无现成谱图数据可供参照，因此基于数据库的匹配方法难以生效。

下一个问题是使用哪种核磁谱图预测工具。在过去数十年里，我与同事多次进行对比评估，希望选用最优工具。我们比较了商业预测软件和学术界的一些免费预测工具。如果你参加一些会议，常会看到一些人展示免费预测工具。我们通过多轮比较，结论始终一致：ACD/Labs公司的NMR Predictors在预测准确性上优于我们测试过的所有其他工具。

这里我展示一个例子，该分子不是特意挑选的，只是碰巧是我正在处理的一个。我同时运行了ACD/NMR Predictors和Mnova进行预测比对。结果所见，对于表中一半的碳原子（黑色字体），两者都给出了相当准确的预测值。然而，对于另一半用红色高亮标注的值，你可以看到ACD/NMR Predictors给出了更为准确的预测结果。这就是我长期坚持使用该软件的主要原因。

当然，ACD/NMR Predictors还有其他一些我喜欢的特性。

例如，该软件为每个预测信号提供置信水平指示。这是一个很好的功能，有助于用户评估预测结果的可靠性。根据个人经验，如果实测数据与预测谱图中某个峰的偏差小于2 ppm，通常表明结构归属正确；若偏差介于2至5 ppm之间，那么可能需要通过其它技术进行复核，或考虑其它替代结构，或考虑溶剂效应；若偏差大于5 ppm，通常意味着推测的结构可能有误，需要重新分析。

其次，用户可灵活选择用于预测的算法及数据库。这一功能对某些可能与溶剂存在较强相互作用的分子尤为重要。在此情况下，可通过设置仅选用与实测谱图所用溶剂完全一致的子数据集进行预测，从而显著提升预测准确性。这是一个非常好的功能。

最后，软件在预测时支持展示来源结构信息。当点击谱图中特定碳原子信号时，系统将标示该碳原子所属的结构片段。该功能具有一定的参考价值，部分同行，如我的同事在日常工作中会经常使用，具体可根据个人需求与习惯加以利用。

这是针对相关分子的预测结果界面截图。如图所示，软件为每个预测信号均提供置信度指示条，该功能有助于用户评估结构归属的可靠性。此外，若点击结构中的任意碳原子，界面会弹出表格，列出该预测所参考的数据来源及所用溶剂信息。

用户可根据需要灵活选择预测所用的数据范围，你可以限定仅采用与当前谱图溶剂完全一致的子数据集；若样品对溶剂不敏感，也可选择调用完整数据集。同时，系统会同步显示预测所引用的数据库中的对应结构信息。

于我而言，这是一个很实用的功能。

我也评估过来自不同供应商的碳谱、质子谱及其他NMR预测工具，以下主要针对碳谱与氢质子谱预测工具的比较进行分析。我个人更倾向于使用碳谱预测工具，主要原因在于碳谱通常具有更好的信号分离度，可供解析的信号更多，且碳化学位移受溶剂效应的影响普遍小于质子化学位移。

另外一个原因是，当前低温探头已在多数实验室普及。例如，在我的实验室，我们配备有三台低温探头设备，因而能够常规获取高质量谱图数据用于预测分析。尽管我偶尔也会使用¹H质子NMR预测工具，但主要限于单组分样品或混合物中的主要组分解析。但我确实经常用它来辅助理解谱图，而非完全依赖其进行结构归属。例如，在已知化合物结构的情况下，如果只是想理解质子谱的峰形与裂分，我可以通过预测谱图来帮助我快速理解谱图。

在使用NMR Predictors前，有必要进行适当的谱图预处理。由于实际样品常为混合物，应首先对谱峰进行分组，每一组可能对应某一单一组分或局部结构。在此基础上，再运用 NMR Predictors对分组后的结构单元进行预测与匹配度分析，可提升解析效率和可靠性。

示例一

接下来，我将给出三个快速示例。

第一个是关于聚合物研究。对于聚合物，由于聚合物T2弛豫时间短，一些交叉峰可能在2D NMR谱中缺失。实际上工作中，这种现象很常见。比如我有些已知结构的样品，运行2D NMR谱，却找不到这些结构的相关峰。这就是为什么我个人无法完全依赖2D NMR来解析聚合物的谱图。而且与小分子不同，聚合物的NMR数据库较为有限，目前我暂不清楚有聚合物的数字化谱库，若同行知晓相关资源，我非常期待进一步了解。

另外，绘制整个聚合物结构通常不可行。如前所述，结构变化是近乎无穷限的。因此，你无法依赖数据库搜索来解析聚合物谱图。但好消息是，多数情况下我们只需要获取聚合物的局部结构信息。例如，只需要特定官能团、端基、支化序列等。在这种情况下，NMR Predictors能发挥重要作用。

以上以聚环氧丙烷的¹³C NMR 谱为例进行说明。该聚合物结构相对简单，谱图中主要显示五个主链碳信号，另有三个次要信号。结合我的经验判断，其中第二、三个次要峰很可能对应于聚合物端基。由于环氧丙烷为不对称单体，两个单体连接时可形成头-头或头-尾两种连接方式。

我们针对这两种可能的连接方式分别建立模型并进行预测，重点关注端基区域的信号。预测结果显示，两个模型对应的化学位移值与实测谱图中的次要峰位置高度吻合。需说明的是，因建模时未构建完整聚合物长链，其余信号与预测值存在一定偏差属合理情况。在结合其他独立信息进行综合判断后，可较为可靠地将这些微弱信号归属为端基结构，进而实现对端基各碳原子的谱峰指认。

示例二

下一个案例涉及复杂混合物的逆向解析。如前所述，此类分析的关键在于信号的分离，而具体的分离方法因涉及较多技术细节，在此不做展开。以下仅展示已完成的部分工作。

这是一张某种商业固化剂的¹³C NMR谱图，其中包含六个主要组分及几个微量组分。图中，我已对所有主要信号进行了数字标记，并将其划分为九组。你可能会注意到，组分数量为六个，而信号组却划分为九组。这是因为对于某些组分，其所有碳信号均可明确归属，从而能够预测完整分子结构；而对于其他组分，由于严重的信号重叠，我仅能识别出部分结构片段。因此，信号组数量多于实际组分数。

对于这些片段结构，通常可借助预测工具推断可能的结构单元，再尝试通过“拼图”方式整合其他信息，逐步推测整体分子。此过程往往需要其他分析技术提供独立信息予以佐证。

为了节省时间，以下仅以第5组信号为例进行说明。因为该组信号强度在谱图中位居第二高，较易判断其属于同一分子。初步分析表明该组分具有芳香结构，带有两个取代基，其中一个可能为羧基，另一个则呈苯酚结构特征。分子中包含芳香环、羧酸和酚羟基三类官能团，且取代基可能存在间位或对位等不同位置异构。

通过快速尝试那些不同的取代模式，并将预测结果与实测谱图比对，我发现对位取代模型的预测谱与实测信号匹配最佳，尽管仍有少数峰位存在约3–4 ppm的偏差。为谨慎起见，我进一步邀请同事通过质谱分析确认该组分存在，他们也发现了相同的物种，从而能可靠地将其指认为混合物中的组成之一。

示例三

最后一个例子是发现性分子的合成：脲与醛的反应。

对于具备有机化学背景的研究者来说，这里的结构B是已知结构。文献检索可确认其存在，其中R基团为丁基。该分子规模并不大，我想大约有十余个碳原子。然而，当我运行采集到该反应最终产物的¹³C NMR谱时，峰的数量超出了我们的预期。这是实际的谱图。

实际谱图显示，可归属的碳信号约20个。虽因部分信号重叠无法完全精确计数，但其数量接近结构B碳数的两倍。如果你进一步观察可发现，部分信号成对出现：例如两个羰基峰、两个位于60 ppm附近的含氧碳信号，以及丁基末端甲基对应的峰9与峰10。其他信号虽较难明确归类，但这一现象提示最终产物可能为结构B的二聚体。

接下来的问题是二聚体的形成方式。这时，我们可以利用一些有机化学知识，N-丁基及原有的六元环结构相对稳定，每个结构B分子中仅三个碳原子具有较高反应活性。因此，我们尝试在每个分子中选取三个碳原子，看它们如何连接在一起。通过对多种连接方式的结构进行预测，并与实验谱图比较，最终发现了与实测数据匹配最佳的结构。该结构中形成了另一个六元环，这也是我们提出该结构的一个依据，因为六元环通常较线性结构更为稳定。预测与实验值大多偏差在2 ppm误差范围内，仅两个信号偏差约4 ppm。

为谨慎验证，我们进一步进行了2D NMR实验 (HSQC、HMBC)，确认所有关键连接在二维谱中均能得到支持。此外，鉴于该成果还将用于发表，因此我们需要更多依据。我请同事运行LCMS进行了独立验证，结果均证实该结构的存在。

为了满足出于大家的好奇心，这里是最终的反应路线。最初推测的产物为结构B，而实际鉴定结果为二聚体E。反应路径如图所示，NMR Predictors在该结构的解析过程中起到了关键作用。

最后，总结一下今天的内容。

于我而言，ACD/Labs公司的NMR Predictors工具对NMR谱图解析非常有帮助。我认为，任何单一工具都不是万能的，在实际应用中往往需要结合其他分析技术以获取互补信息或进行结果验证。此外，一定的有机化学知识背景是个加分项，因为当你使用预测工具时，仍需要投入一些思考，使用者需提出合理可能的结构假设。

关于ACD/NMR Predictors的具体优势，我知道不同的人会有不同的反馈。对我来说，在我的小组和实验室，该软件显著降低了对2D NMR的依赖，相关实验需求减少了95%以上，每年只需运行少数几次。在很多情况下，一张定量的DEPT 135谱已足够支持初步结构推断，进而通过预测对比完成解析。

进一步来说，使用预测工具需要使用者主动提出候选结构，这一过程能够将个人知识、经验与智慧融入到解析中，有助于研究者专注于整个项目，更全面地把握项目方向，而非仅局限于谱图信号本身。这也为新发现与创新提供了可能，我本人获得的数项专利亦得益于此。该工具尤其适用于局部结构分析，无需完整谱图数据，只要能够基于若干信号提出可能的结构片段，即可进行预测验证。这是一大优势。

最后但同样重要的是，该预测工具可用于快速筛选想法。例如，在小组会议上，可即时提出新想法，比如这是否是正确的结构，或者其可能是其中一个组分。你可以快速使用NMR Predictors对提出的结构进行预测，从而迅速缩小合理候选范围，提升研究效率。

以上是本次报告的全部内容，感谢各位的聆听。

END