先看图 · 阅读入口
把自动计算拆成可核对的任务
计算方法先按任务方向分类，再与实际实验逐项比较。
读图时保留这项条件：工具输出是分析的一部分，运行成功不自动保证结构正确。
本章导言
计算流程应从可追溯的数据开始。原始FID、处理谱、峰表和指认记录包含不同层次的信息；把它们混用会使自动化结果失去可检查依据。本章先建立格式与处理记录，再介绍模拟和拟合。
从结构预测位移、从参数模拟全谱、从谱拟合参数、检索候选和生成结构是不同任务。经验、量子化学和机器学习方法分别具有覆盖范围、误差和成本；候选排序仍需接受实验约束检查。
实践采用小数据和透明步骤。每个代码算例给出输入、假设、预期结果和复现状态；没有实际运行的输出不写成已完成实验。
学习任务
能把数据处理、预测、指认、检索和结构生成分开评价，并复现基本计算工作流。先修：第 7 章；Python、分子图和概率统计另给短预备单元。
本章十二节
8.1
数据格式与可复现记录
Bruker/Varian 原始数据、JCAMP-DX、nmrML、NMReDATA；原始数据、谱图、峰表和指认的区别。
8.2
用 Python 处理真实 FID
nmrglue 读取、处理与导出；与人工相位/积分结果对照，保存参数。
8.3
自旋系统模拟
nmrsim 与 Spinach 的分工；从 δ、J 和线宽生成一阶/强耦合谱。
8.4
全谱拟合与参数反演
目标函数、线形、优化、局部解和参数相关；残差与置信范围。
8.5
计算机辅助结构解析
CASE、约束传播、连接图枚举和峰指认；候选生成与实验排除。
8.6
公共数据库检索
SDBS、nmrshiftdb2、BMRB、NP-MRD；结构、条件、原始数据和实验/预测标签。
8.7
经验化学位移预测
局部环境、HOSE 码和数据库插值；化学空间与条件依赖。
8.8
量子化学预测
构象搜索、GIAO/DFT、溶剂、定标和构象平均；代价与误差来源。
8.9
DP4、DP4+ 与 DP4-AI
候选立体异构体比较；先验、误差模型、指认和候选集合的影响。
8.10
机器学习预测谱参数
分子图、GNN、位移和 J 预测；训练标签、覆盖范围和不确定度。
8.11
从谱图反推结构
数据库检索、候选排序、从头生成与多模态方法；输入分子式的作用。
8.12
语言模型与工具代理
峰表、分子图、实验工具和证据表；检查幻觉、化学合法性及证据一致性。