8.11 从谱图反推结构

实际任务可以分为库内检索、给定候选排序、约束下从头生成，以及学习模型的结构生成。库内检索受数据库覆盖限制；排序受输入候选集合限制；约束枚举受价态与约束设定限制；学习生成受训练范围、解码与采样限制。四类任务都可提供候选，但它们对“还有没有其他可能”的回答不同。

先说明目标是连接结构、相对构型还是绝对构型。通常非手性溶液中的对映体不能仅由普通位移和 J 区分。模型若输出带绝对立体标记的字符串，还要检查这些标记来自独立手性信息、输入先验或训练偏好。连接正确而立体标记未经支持，应分别报告。

输入也必须保留证据层次。原始 FID、处理谱、峰表、积分和人工指认并不相同。由峰表输入的模型通常没有收到完整线形；由谱图像输入的模型仍受谱宽、像素、参考和显示归一化影响。名称中写“原始谱”时，还需分清频域谱信号与仪器采集的时域 FID。

以 C₄H₁₀O 为教学例，不饱和度为零。假定单一中性闭壳层、通常碳四价氧二价、全部单键且分子连通，就只需考察无环连接图。四个碳与一个氧共有十种可能原子对，从中选四条边，先检查连通和价态，再按碳编号置换去重。

本书用独立脚本枚举得到一百一十二个符合条件的带编号图，去除编号差异后是七种连接：四种醇和三种醚。四种醇为丁醇的两个直链位置异构体、异丁醇与叔丁醇；三种醚为乙氧基乙烷、甲氧基丙烷与甲氧基异丙烷。枚举没有展开立体异构体，所以七是连接数。

现在给出经独立编辑实验与指认确认的碳类型：两个甲基、一个亚甲基、一个次甲基，没有无氢碳。这保留丁-2-醇与异丁醇两种连接。叔丁醇因有无氢碳被排除，丁-1-醇因有三个亚甲基被排除，三种醚的碳类型也均不符合。即使暂时没有观察到 OH，类型约束仍可完成这一步。

再用 HSQC 将亚甲基氢对应到其碳，并观察到该亚甲基与一个甲基的 COSY 相关。这里还通过分裂、选择性实验与完整相关链确认它属于相邻碳之间的主要三键耦合。丁-2-醇具有 CH(OH)—CH₂—CH₃ 局部链，异丁醇的 CH₂OH 直接连接次甲基，没有相邻甲基。由此支持丁-2-醇；若只有一个未经核实的弱交叉峰，则可能涉及长程耦合，不能直接完成排除。

这套计数有前提。若样品是混合物、类型实验灵敏度不足或相关峰是伪影，不能照搬筛选结论。原子数与环境数也不能混淆：对称等价可让两个甲基只出现一个碳环境，重叠则会让不等价环境暂时无法分开。没有可靠类型信息时，应保留更宽的候选集合。

SMART 2.0 的研究以 HSQC 数据支持天然产物候选检索与快速注释，用学习表示寻找相关结构。[1] 这里的 HSQC 输入反映直接相连氢碳的局部环境；未带氢碳、完整长程连接和立体关系还需其他证据。该论文中的应用可以帮助缩小探索范围，但不等于任何一张 HSQC 都足以唯一恢复完整结构。

DeepSAT 从 HSQC 学习化学指纹、分子量与结构类别，再利用这些特征搜索结构库。[2] 结构库条目不必逐一具有实测参考谱，这缓解了谱库覆盖限制；输出仍受结构库覆盖与特征预测误差影响。指纹相近表示某些局部特征相近，不保证连接完全相同。

例如甲氧基片段在多个候选中均存在，一个特征模型识别到它后可以排除明显不含此片段的方案，却不能单凭这一特征决定甲氧基接在哪个位置。应把预测子结构作为待验证约束，检查是否能与分子式、所有核数和相关链同时共存，避免将分别高分的片段拼成价态不合法的结构。

约束驱动的 Sherlock 则将结构生成与去重复发现等功能接入工作流，结合明确的实验约束、指认及数据库信息。[3] 使用时要区分已知数据检索和约束生成分别贡献了什么。它的发表能力与所用核种有具体范围，不能泛化为只输入任意氢谱即可自动完成所有结构问题。

Hu 等提出从常规一维氢、碳谱到结构的多任务学习方法，并训练子结构相关任务帮助生成。[4] 研究中的谱到结构训练与测试主要使用预测谱，并在特定分子大小与元素范围内评价。本节只介绍已核实的任务设置，不把其模拟测试结果作为未知实验样品的成功率。

该工作的输入不依赖预先给定分子式，说明模型可以同时提出组成与连接。但在实际实验中，可靠的分子式仍是有价值的独立约束。若生成结构与已确认分子式不同，应显示冲突并检查输入或模型；不能因为方法允许无分子式运行，就忽略已经取得的组成证据。

NMRViT 将一维氢、碳谱和二维 HSQC 的频域谱信号分块编码，生成候选结构，并研究分子式提示与基于位移的后续重排。[5] 该研究分别考察模拟数据训练与实验数据适配，体现二者之间存在分布差异。它处理的频域输入也不能被误称为已经直接读取所有厂商 FID。

多模态方法利用各实验提供的互补信息：碳谱约束碳环境，HSQC 建立直接氢碳配对，氢谱包含积分与耦合线形。如果再结合准确质量、IR 或其他数据，应记录每种输入的处理与来源。模态增加不保证错误减少；某一谱属于不同组分或参考错位时，融合会引入互相矛盾的信息。

硬约束与软约束也要区分。可靠组成冲突通常要求排除或回查组成；预测位移略有偏差常可容许。HMBC 强度与路径不是严格一一对应，漏掉一个峰未必就是连接不存在。把不确定观测全部设为硬约束，可能让真实结构在排序前已被删掉。

评价模型要同时报告生成覆盖和排序能力。教学验证集有二十个分子，正确结构只进入十二个候选列表，其中八个排第一。全体首位正确率为八除二十，即 40%；候选召回率为十二除二十，即 60%；在已召回子集上的首位比例为八除十二，约 66.7%。只报告第三个数会掩盖另外八个分子根本没有生成正确候选。

不同字符串可能表示同一连接；互变异构、盐、立体标记和芳香表示也会影响“完全正确”的定义。评价前应规定标准化与去重方式，并区分精确结构命中、骨架命中和子结构相似。提高骨架相似度很有帮助，但不能将这种指标改写成完整结构的确定率。

新样品往往缺少真值，无法当场算正确率。此时要检查候选间关键差异，设计能排除替代方案的实验，并查看预测的不确定度与残差。若所有候选都与高可信数据冲突，应扩展搜索或回查数据，不能自动选择冲突最小者并写成“已确定”。

一个可复核的结论应允许他人看到哪些观测改变了候选集合。对教学丁醇例，碳类型先将七种连接减到两种，可靠的亚甲基—甲基相关再选择连接；绝对构型仍保留未知。后续语言模型或工具代理可以帮助组织这张证据表，但不能用自然语言的流畅程度替代其中的实验判断。