经验预测先寻找相似的原子环境
邻域相似程度和条件相容性共同决定经验预测能否迁移。
读图时保留这项条件：更多匹配点不自动代表更准，参考环境不同可能带来系统偏差。
8.7.1 从原子环境到位移
经验化学位移预测从给定结构出发，利用既有测量或由这些测量得到的规则，估计某个核的位移。输入至少包含核种、承载原子及其化学环境，可靠比较还需要条件信息。输出通常是一组带原子编号的位移及适用性提示。它在候选核对中很有用：如果某个连接方案要求一批明显不合观察的位移，便值得重新检查该方案或峰指认。
展开说明与推导
常见思路包括官能团区间、经验增量规则和局部环境数据库匹配。官能团区间能快速定位大类环境，但范围往往交叠；增量规则把取代基等效应加到基础值上，便于看清各项贡献，却以规则覆盖和近似可加为条件；数据库匹配则利用相似原子的测量值。三者都有资料不足的边界，不能因为软件总能输出数字就认为所有原子均受到充分支持。
预测位移还不是完整氢谱。要得到多重峰，需要 J、核等价关系、场强、线宽及相应的自旋模型；要模拟动态交换，又需额外参数。即使每组中心位移接近实验，裂分与面积仍可能不符。因此评价位移预测器时以原子或信号组的位移为对象，不宜用一张经过任意线宽平滑的“漂亮谱图”替代误差分析。
增量规则还要避免重复计入效应。例如某条规则已经以含氧取代烷基为基础环境，再把同一个氧的完整去屏蔽贡献加一次，会重复补偿。每个基础值和修正项都应有明确的适用环境、方向与单位。遇到多取代或受限环体系，应检查规则是否包含相互作用，而不是默认所有贡献可独立相加。
本节讨论局部环境与数据库插值，下一节再介绍量子化学的屏蔽计算。这里的数字例子全部是教学构造，不是某个在线预测器的运行结果，也不采用文献平均误差作为本样品的置信区间。这样可以把计算方法与实际软件性能分开检验。
经验预测的基本方向是结构及条件到谱参数。由实验反推结构时，可以对多个候选分别预测，再比较；单个正向预测值本身不会给出唯一连接图。
8.7.2 HOSE 码怎样描述邻域
HOSE 码以目标原子为中心，按键连接距离逐层描述周围原子与键，形成层级化的局部环境表示。Bremser 的原始工作提出这种子结构编码，用于组织与检索谱参数。[1] “层”指分子图中的键距离，不是以埃为单位的空间半径；图上相距很多键的芳环在某个构象中靠近目标氢，普通拓扑层级也未必把这个空间接近编码进去。
展开说明与推导
观察乙醇与丙烷-1-醇的末端甲基碳。两者的目标均为 CH3，第一层重原子邻居均为一个 CH2 碳；第二层才分别看到氧或另一碳。浅层描述把它们归在较宽的类别中，深层描述则能区分取代链。图 8.7-2 只画层级原理，不给出可直接提交给软件的序列化码；具体码还要按实现规则处理键级、环闭合和分支顺序。
检索通常先尝试较深环境，若没有足够相匹配记录，再按既定策略回退到浅层。回退提高覆盖，却牺牲部分环境特异性。必须同时显示匹配层数、可用记录数及来源，不能把一次一层匹配与一次深层匹配仅仅因为输出小数位数相同便视为同等可靠。某些实现还引入立体信息，使用时要核实具体编码版本。[2]
展开说明与推导
对环体系，编码必须正确保留环闭合，不能把环沿某个方向展开成无限链。对芳香结构，不同等价绘法应按一致规则处理。输入结构的电荷、键级与立体标记若错误，产生的局部环境也会错误；再大的资料库也不能纠正每一次错误输入。预测前先复核结构文件，与人工图建立编号对应，是一个必要的质量步骤。
8.7.3 相似记录怎样变成一个估计
匹配到若干相似环境后，程序需要汇总它们的位移。可以采用均值、中位数或按照环境相似度及条件加权的统计量。均值对极端值敏感，中位数对少数极端记录较稳健；它们回答的统计问题不同。加权也要有可复查依据，不能看到某个数值与本实验接近就临时增加它的权重。
展开说明与推导
设某个浅层环境命中五个教学数值：3.40、3.50、3.60、3.70、4.80 ppm。均值为 3.80 ppm，中位数为 3.60 ppm，按样本定义的标准差约为 0.5701 ppm。均值与中位数相差 0.20 ppm，提示这组记录需要检查来源。最后一个数值可能是错误指认，也可能代表真实的不同条件或深层环境，单看数值偏离不能直接删除。
若更深且条件相符的教学匹配只留下 3.48、3.52、3.56 ppm，均值与中位数均为 3.52 ppm，样本标准差为 0.04 ppm。它的范围较窄、环境更具体，却只有三条记录。不能简单宣布“条目越少越准确”，也不能由这一组三值的标准差推断新样品的完整预测误差。还要检查这些记录是否独立、是否同一来源的重复收录。
三条独立教学记录的均值标准误为 0.04/√3≈0.02309 ppm，只描述该组均值的抽样波动。新环境差异、条件变化和模型偏差尚未计入，不能把它直接作为新样品的预测区间。
8.7.4 化学空间与条件决定可迁移性
数据库插值依赖已覆盖的环境。普通烷基和常见含氧片段可能有许多可用例子，罕见价态、强氢键、特殊金属体系或受限构象则可能只能浅层匹配。后一种情况下，一个位移值仍可用于提出问题，但不宜用非常窄的误差模型去排除候选。输出缺乏匹配信息时，应在报告中明确无法评估覆盖，而不是从数值格式猜测可靠性。
展开说明与推导
普通拓扑环境也可能不能区分同一亚甲基的两颗非对映异位氢。它们连接到同一碳，图上的近邻完全相同，却具有不同空间环境。立体扩展、空间描述或构象处理能够补充信息，是否适用取决于具体方法。[2,3] 如果一个预测器把两氢合并输出，比较时应按它实际支持的粒度进行，不能任意复制同一个数值，再声称两氢均得到独立预测。
快速构象交换下的观察值来自各构象贡献。纯局部连接描述可能间接学到某一类分子的平均行为，但未必跟随溶剂或温度引起的构象人口变化。对于依赖立体关系的精细比较，应检查候选的构象是否合理，避免仅凭相同官能团就套用相同位移。这也是下一节引入构象集合计算的原因。
溶剂与参照信息应在训练、匹配和比较阶段保持一致。将不同溶剂记录合并可以扩大样本量，却可能使局部位移分布变宽，甚至出现多个中心。交换氢的条件依赖通常更突出，不能把一个针对碳键合氢验证的方法自动扩展到 OH、NH。若软件未明确建模温度或酸碱状态，要把相应差异视为模型未覆盖的条件。
同一化合物被测很多次，有助于研究条件变化，却没有增加同样数量的独立骨架。统计支持应区分记录数、不同化合物数和独立来源数。一百条来自同一骨架的邻域，与一百种不同骨架的邻域，提供的迁移证据不同；重复记录还可能使均值标准误看似很小。
8.7.5 如何检查预测误差
误差评估必须在未用于建立规则或汇总数据库的样品上进行。若一个分子的甲基已进入训练，而同一分子的亚甲基被放入测试，模型可能借助极相似邻域得到偏乐观的结果。至少按整分子划分数据；若目标是新骨架，还应采用更严格的骨架或时间划分，并清理同一化合物与同一采集记录的重复。文献已明确讨论整分子排除的重要性。[3]
展开说明与推导
平均绝对误差便于描述总体偏差幅度，均方根误差对较大的错误更敏感。二者都需要说明核种、测试样品、指认粒度和条件。不应把氢与碳的 ppm 误差混为一个平均数，也不应让大量普通烷基点掩盖少数关键芳香或立体敏感氢的大偏差。除总体数值，还应检查各环境误差与无法预测的比例。
候选比较还涉及映射选择。若通过最小位移误差自动交换峰归属，应保留这个操作，并检查它是否违反 HSQC 或 COSY 约束。为一个候选自由调整映射，而对另一个固定错误映射，会使评分失去公平性。实验未指认时，最好比较所有允许映射，或用独立相关限制后再计算误差。
对非对映异位氢，某个位置预测为较高位移，不等于它已经被确定为 pro-R 或 pro-S。编号身份需要由明确结构与指认规则建立。若实验只确定两氢属于同一碳，可以先比较无序数值对，并注明仍有交换映射的歧义，再用立体相关补足身份信息。
保存输入结构、电荷与立体标记、原子编号、软件和库版本、核种与条件、匹配深度、数据量、预测值及适用性提示，再保存与观察的映射和残差。
8.7.6 把预测用于选择后续检查
面对候选 A 与 B，先找出导致预测差异的具体原子环境。若差异集中在一个未知指认峰，优先补足该峰的承载碳与连接；若差异集中在条件敏感交换氢，应先检查条件；若两候选大部分预测几乎相同，继续打印更多小数位也不会提供新的区分力。预测应帮助安排有针对性的检查，而不是替代尚未取得的相关证据。
展开说明与推导
最终可写成“某连接候选的经验位移更符合观察，但若干位置仅有浅层匹配，尚需连接或立体证据”。这种表述给出支持程度及限制。数据库辅助的指认与质量检查已有可复查的工作流，[4,5] 实际应用仍需记录预测来源，并保留不吻合的信号。可靠的结果来自结构、条件和实验联系共同相容。
习题 8.7-1 · 层级距离是什么？
一个芳环在空间中靠近目标氢，但图上相隔许多键。普通两层 HOSE 描述一定包含该芳环吗？
参考解答不一定。层级按键连接距离定义，空间接近不等于两键内。需要核实是否有空间或立体描述，不能把拓扑层数当成空间半径。
习题 8.7-2 · 五值均值与中位数
复算 3.40、3.50、3.60、3.70、4.80 的均值与中位数，并解释差异。
参考解答和为 19.00，均值为 3.80；排序后的中间值为 3.60。较高末值使均值上移，应检查条件与指认；不能只按偏离就删除它。
习题 8.7-3 · 分子内划分的风险
同一分子的不同氢被随机分到训练和测试，所得误差能直接代表未知分子预测吗？
参考解答不能。训练里可能已经存在同分子的相近环境，导致信息泄漏。至少把整分子放在同一分组，并按预期应用进一步检查骨架、重复与条件分布。
术语
- 经验增量
- 在基础值上加入由资料建立的环境贡献。
- HOSE 码
- 按键距离层级组织原子环境的编码。
- 拓扑距离
- 图中原子之间按连接路径计的距离。
- 回退
- 深层缺少匹配时按规则采用较浅环境。
- 数据库插值
- 借助已覆盖的相似环境估计新值。
- 化学空间
- 特定结构、环境与条件所覆盖的范围。
- 适用范围
- 方法已验证或有合理支持的预测区域。
- 信息泄漏
- 测试对象的信息以直接或近似形式进入训练。
- 整分子划分
- 将同一分子的记录放入同一数据分组。
参考文献
- Bremser W. HOSE—A novel substructure code. Anal. Chim. Acta, 1978, 103: 355–365. DOI。
- Kuhn S, Kolshorn H, Steinbeck C, Schlörer N. Twenty years of nmrshiftdb2: A case study of an open database for analytical chemistry. Magn. Reson. Chem., 2024, 62: 74–83. DOI。
- Kuhn S, Egert B, Neumann S, Steinbeck C. Building blocks for automated elucidation of metabolites: Machine learning methods for NMR prediction. BMC Bioinformatics, 2008, 9: 400. 原文。
- Kuhn S, Schlörer N E. Facilitating quality control for spectra assignments of small organic molecules: nmrshiftdb2—a free in-house NMR database with integrated LIMS for academic service laboratories. Magn. Reson. Chem., 2015, 53: 582–589. DOI。
- Steinbeck C, Krause S, Kuhn S. NMRShiftDB—constructing a free chemical information system with open-source components. J. Chem. Inf. Comput. Sci., 2003, 43: 1733–1739. DOI。