nmr-prediction（核磁共振预测）

NMR Chemical Shift Prediction Skill

When to use this

Use this skill when the user provides a SMILES string and wants:

• Per-atom ¹H or ¹³C liquid-phase NMR chemical shifts (ppm)
• Simulated NMR spectrum image (Lorentzian line-shape)
• Quick deep-learning based prediction without DFT

Inputs

• SMILES string (required, e.g. CCO for ethanol)
• --nucleus H | C | both (optional, default both)

Outputs

• /tmp/chemclaw/nmr_1H_<smiles>.png — ¹H NMR spectrum
• /tmp/chemclaw/nmr_13C_<smiles>.png — ¹³C NMR spectrum
• Console: per-atom chemical shifts (ppm)

目录结构

nmr-prediction/
├── SKILL.md
├── nmr_prediction.py
├── requirements.txt
└── assets/
    ├── NMRNet/        ← NMRNet 精简推理代码 + `oc_limit_dict.txt`
    └── Uni-Core/      ← Uni-Core 基础库（需要先 install）

模型权重（大文件，不放进 repo）存放于 /tmp/weights/，通过 --setup 自动下载。

环境安装 (首次)

1. 准备 assets/

# 将 NMRNet 放入 assets/（从 GitHub 下载 zip 后解压）
cp -r ~/Downloads/NMRNet-main nmr-prediction/assets/NMRNet

# 将 Uni-Core 放入 assets/ 并安装
cp -r ~/Downloads/Uni-Core-main nmr-prediction/assets/Uni-Core
cd nmr-prediction/assets/Uni-Core
python setup.py install    # macOS 默认禁用 CUDA，直接执行

2. 安装 Python 依赖

cd nmr-prediction
pip install -r requirements.txt
# 如果还没装 torch：pip install torch  (CPU 版即可)

3. 下载模型权重 + scaler → /tmp/weights/

cd nmr-prediction
python nmr_prediction.py --setup

此命令通过 remotezip 从 Zenodo 仅提取所需文件：

• H/C 模型 checkpoint（各 ~560 MB）→ /tmp/weights/finetune/liquid/.../
• H/C 液相 scaler（各 623 B）→ 同上目录

注意：NMRNet 仓库自带的 demo/notebook/scaler/ 是固态 NMR scaler，不适用于液相预测。 当前 skill 只保留 NMRNet 的精简推理代码与 oc_limit_dict.txt，不依赖 demo/ 数据目录。

How to run（环境已准备好时）

cd nmr-prediction

# 预测乙醇的 ¹H + ¹³C 谱
python nmr_prediction.py "CCO"

# 只预测苯的 ¹³C 谱
python nmr_prediction.py "c1ccccc1" --nucleus C

# 预测咖啡因的 ¹H 谱
python nmr_prediction.py "Cn1cnc2c1c(=O)n(c(=O)n2C)C" --nucleus H

运行原理（Pipeline）

SMILES
  ↓ RDKit: AddHs + EmbedMolecule + MMFFOptimize
3D 分子坐标 (atoms + coordinates)
  ↓ atoms_target_mask: 标记目标元素 (H 或 C) 为 1
NMRNet 数据记录 (dict)
  ↓ UniMatModel (SE(3)-Transformer, unimol_large 架构)
每原子预测化学位移 (scaled)
  ↓ TargetScaler.inverse_transform
化学位移 (ppm)
  ↓ Lorentzian 叠加
NMR 谱图 PNG

注意事项

• 模型仅训练于液态 NMR 数据（nmrshiftdb2），固态化合物不适用
• macOS CPU 推理速度较慢：¹H 约 10-30 秒，¹³C 约 10-30 秒（取决于分子大小）
• 权重固定存放在 /tmp/weights/（重启后消失，需重新 --setup）
• NMRNet / Uni-Core 代码在 assets/ 里，随 repo 一起走
• assets/NMRNet/oc_limit_dict.txt 为运行时所需字典文件，不能删除

References

• NMRNet 论文: arXiv:2408.15681
• NMRNet 代码: https://github.com/Colin-Jay/NMRNet
• Uni-Core: https://github.com/dptech-corp/Uni-Core
• 模型权重: https://zenodo.org/records/19142375