文献来源：

摘要

全球对草药的利用正以迅猛的速度增长，这不仅凸显了确保其品质、安全性和疗效的重要性，也对植物提取物的质量控制提出了更高要求。我们通常依据药典的指导原则来执行这些控制。分析技术的应用范围广泛，涵盖了从简单的化学实验到复杂精密的技术。在这些技术中，代谢组学分析凭借其快速揭示复杂混合物成分的能力，成为了一项前沿技术。质谱（MS）和核磁共振（NMR）波谱分析是该领域的两大支柱，尤其是NMR技术，在鉴定复杂草药提取物中的天然产物方面，正扮演着日益重要的角色。在过去十年里，基于¹³C-NMR的自动化去重技术已经成熟，它能够高效地识别混合物中的主要已知化合物。尽管¹³C-NMR的灵敏度可能不及MS，但其在区分立体异构体方面展现出了独特的优势。鉴于现代NMR设备能够在合理的时间内提供详尽的数据，我们开发了MixONat软件，它不仅能够处理¹³C NMR数据，还能处理DEPT-135和-90的数据，并通过碳的多重性（如CH₃、CH₂、CH和C）进行关键筛选。MixONat软件依赖于实验或预测的化学位移（δC）数据库，并且能够展示出可以根据用户在植物化学领域的专业知识进行细化的交互式分析结果。本文旨在提供一份全面的指南，从创建数据库开始，逐步介绍如何使用MixONat软件，并利用可免费获取或市场上可购买的δC数据集。此外，本文还设计了一个30至60分钟的培训流程，指导读者如何通过基于¹³C-NMR的分析方法对薄荷精油进行去重。

图1. ¹³C-NMR去重过程的示意图。MixONat（中间，橙色）需要适当的数据库，包括实验δ_C或免费和/或商业预测的δ_C-SDF数据集（右侧，绿色），以及从实验数据导出的峰列表（.csv文件）（左侧，蓝色）。*可选

精油，这些挥发性且芳香浓郁的复杂混合物，主要由单萜类化合物构成，其中不乏手性分子的身影。在鉴定和量化这些精油中的挥发性成分时，气相色谱-火焰离子化检测器（GC-FID）和气相色谱-质谱（GC-MS）技术发挥着关键作用，它们通过与标准物质或光谱库的比对来实现精确分析。然而，分析过程中也可能遇到诸如挥发性成分的洗脱失败或共洗脱现象，以及热敏感性问题，这些都可能对鉴定结果造成干扰。此外，质谱技术在区分立体异构体和位置异构体方面的能力有限，这在一定程度上限制了其应用。

鉴于这些挑战，我们认为采用如{¹H}-¹³C-NMR这类光谱工具，并结合去重软件，如MixONat，可能为精油中主要挥发性成分的准确表征提供新的解决方案。本文旨在提供一个培训指南，介绍如何利用MixONat软件和¹³C-NMR数据，结合DEPT-135和DEPT-90实验数据，来分析薄荷精油的化学成分。这一流程始于构建包含实验δ_C或预测δ_C-SDF数据集的数据库，并提供了从NMR光谱中导出输入文件的实用指南。最终，它引导用户如何正确解读MixONat提供的分析结果，证明了这一流程在快速表征精油中的主要单萜成分，包括区分其立体异构体方面的有效性。

作为对照，我们遵循《欧洲药典》规定的标准，运用气相色谱-火焰离子化检测器（GC-FID）和气相色谱-质谱联用（GC-MS）技术，对薄荷精油的化学成分进行了深入分析。正如我们所预期的，通过与标准样品的保留时间进行比对，并利用计算机将它们的碎片模式与NIST质谱库进行匹配，我们成功鉴定了薄荷醇（1）、薄荷酮（2）、桉叶油醇（1,8-桉叶油醇，3）、薄荷酯（menthyl acetate，4）、异薄荷酮（isomenthone，5）、柠檬烯（limonene，6）和薄荷呋喃（menthofurane，7）作为薄荷精油中的关键单萜成分（详见图2，表1，图1S，支持信息）。在本项研究中，我们通过一系列细致的步骤，评估了¹³C-NMR技术结合MixONat软件作为鉴定薄荷精油中这些单萜成分的替代方法的有效性。

图1S. Mentha × piperita（一种薄荷）精油的气相色谱-质谱（GC-MS，总离子流色谱图，TIC）图谱

图2. 气相色谱-质谱（GC-MS）鉴定的薄荷精油中主要单萜化合物的结构和原子编号

表1.通过气相色谱-质谱（GC-MS）确定的薄荷精油中的主要单萜成分，以及使用基于¹³C-NMR的去重方法、MixONat软件和各种实验或预测的δ_C-SDF数据库对它们进行排名的结果。

构建数据库的初始步骤对于确保研究的准确性至关重要。实验数据的可用性，尤其是那些包含在特定氘代溶剂中的天然产物（NPs）及其实验δ_C值的数据库，对于提高匹配成功率具有显著影响。尽管研究人员普遍有保留包括δ_C在内的光谱数据的习惯，并通过学术出版渠道进行数据共享，但目前还没有一个全面且专门为MixONat软件设计的数据库。因此，尽管任务可能显得繁琐，研究人员仍可通过使用专业软件或简单的免费文本编辑器（如图1所示）手动构建特定植物属或科的小型NPs数据库，这些数据库包含了δC信息。一旦构建完成，这些数据库便可以轻松地与整个科学界共享。对于精油中的挥发性化合物而言，这种数据库构建的方法早在几年前就已经开始实施。例如，Mentha数据库1，它包含了30个NPs，并且整合了δ_C-SDF信息，就是基于通常在薄荷油中发现的单萜的实验δ_C值，利用ACD NMR Predictors（C, H）手动构建的。

当实验数据难以获得或研究的天然产物（NPs）数量庞大，超出了在合理时间内处理的能力时，预测δ_C-SDF成为一种有效的初步方法。实现这一目标的首要步骤是收集感兴趣的NPs，并将其整理成结构数据文件（SDF），这包括每种化合物的MDL molfile和相关数据（如名称、CAS号、分子式、分子量、来源等）。正如之前讨论的，对于植物或微生物提取物的去重分析，采用基于化学分类学的筛选方法是非常有价值的：通过订阅可访问的数据库，可以轻松地将某一属或科中先前分离出的NPs导出为SDF格式。例如，在进行薄荷精油的去重分析时，我们利用SciFinder以“Lamiaceae”为关键词进行搜索，初步筛选出了超过10,000条相关文献。通过应用SciFinder提供的“CA概念标题”过滤器对这些文献进行进一步分析，我们将其数量减少到3499条，涵盖了“天然产物”、“药用天然产物”、“精油”等类别。随后，通过基于“类别”（即分析物和基质）的细化和分子量的筛选，所有相关的NPs被导出为SDF格式，从而构建了包含982个NPs的Lamiaceae数据库2（见支持信息图2S）。同样，使用更新版的SciFinder-n或Reaxys也能够执行类似的筛选过程。

作为替代方案，我们采用了免费提供的KnapsackSearch程序（KS）。KS与KNApSAcK数据库紧密相关，后者包含129,662条物种与代谢物之间的关系，覆盖了23,911种物种和53,032种代谢物。KS的主要功能是将一系列与特定属名相关的天然产物（NPs）与它们的来源相匹配。通过将Lamiaceae科的属名作为搜索关键词输入KS，我们成功获取了一个包含958个NPs的结构数据文件（SDF），这为我们在后续步骤中轻松构建Lamiaceae数据库3和数据库4奠定了基础。

预测δ_C-SDF值

使用MixONat软件的“CtypeGen”功能

在分析流程的第二步中，我们首先记录并处理了核磁共振（NMR）光谱数据，并将化学位移（δ_C）导出为MixONat软件所需的特定格式。具体来说，我们在0.6毫升的CDCl₃溶剂中，利用一台标准的400 MHz NMR光谱仪，对90毫克的薄荷精油样本进行了{¹H}-¹³C NMR光谱的采集，总共进行了1024次扫描。为了增强分析的准确性，除了采集基础的¹³C NMR数据外，我们还额外采集了DEPT-135和DEPT-90的光谱。虽然这些DEPT数据对于软件分析来说并非强制性要求，但已有研究表明，利用碳的多重性信息可以作为一个非常有效的判别工具。因此，从光谱采集开始，整个基于¹³C NMR的去重过程可以在短短30到60分钟内完成，这大大提高了分析的效率。

通常，¹³C NMR、DEPT-135和DEPT-90光谱的获取和处理需要依赖专业的软件来进行相位校正和基线校正，以确保数据的准确性。在这一过程中，用户需要特别注意将¹³C NMR光谱与氘代溶剂的中心峰进行精确对齐，这对于后续的数据分析至关重要。同样，对于DEPT光谱，确保它们与特定的δ_C值（即特定的CH信号）正确对齐也是使用MixONat软件进行有效分析的关键步骤。如果由于某些原因，DEPT光谱未能与预期的δ_C值正确对齐，可能需要在MixONat软件中调整“DEPT对齐”参数。默认情况下，这个参数设置为0.02 ppm（参见MixONat的“参数”标签页，图4S，支持信息），但根据实际情况，可能需要适当增加这个值，以确保DEPT光谱与13C NMR光谱之间的准确对应关系。这种微调有助于提高去重分析的准确性，从而更有效地利用MixONat软件识别和区分混合物中的化合物。

图4S. MixONat软件的第二个标签页，其中显示了所有可调整的参数，包括容忍度（ε）（增量开启或关闭）、DEPT对齐参数；等效碳选项、分子量过滤器和所需的最小得分。在这个标签页中，还可以选择结果的数量和保存结果的目录路径。

当然，峰值选择过程也非常关键。这个过程可以是手动的，但更推荐使用最小强度阈值来自动收集¹³C NMR和DEPT-90的正信号以及DEPT-135的正负信号，同时避免可能的噪声伪影。有时这一步实施起来比较困难，例如，当主要天然产物（NPs）的季碳的δC强度与次要NPs的甲基基团的强度处于相同范围时。回到薄荷精油的分析，最初选择了一个较高的阈值来挑选峰值（见支持信息图5S-6S）。然而，δC 8.20 ppm处的较小信号明显来自一个甲基基团，这意味着如果相应的天然产物（NPs）包含季碳原子，它们的强度将接近噪声水平。作为替代方案，使用较低的阈值进行了第二次峰值选择（见支持信息图7S-8S）。在消除氘代溶剂信号后，¹³C NMR、DEPT-135和DEPT-90的化学位移和强度列表被导出和/或保存为独立的逗号分隔值（CSV）文件，然后这些文件被用作MixONat软件的输入文件（见支持信息图9S）。因此，在当前的实践练习中，使用了两批数据作为输入文件。第一批是基于高阈值选择的，即薄荷精油13C.csv、薄荷精油DEPT 135.csv、薄荷精油DEPT 90.csv（见支持信息图5S，文件可在支持信息中获得），分别对应¹³C-NMR、DEPT-135和DEPT-90数据。第二批数据则是使用较低阈值选择的化学位移，即薄荷精油次要¹³C.csv、薄荷精油次要DEPT 135.csv、薄荷精油次要DEPT 90.csv（见支持信息图7S，文件可在支持信息中获得）。

在研究的最后一个阶段，我们详细探讨了MixONat软件的基础和高级应用。首先，我们采用了一个小型的实验性Mentha数据库1，该数据库包含了30种单萜类化合物，以及基于高阈值筛选的δ_C和相关的DEPT数据，作为MixONat图形用户界面中“输入”标签页1的输入文件，进行了去重分析（参见支持信息图10S）。在启动MixONat的匹配过程前，我们推荐使用“检查”按钮来验证每个文件的正确性。正确操作后，应当能够显示SDF文件和每个CSV文件的详细信息（参见支持信息图11S）。如果无法显示，通常需要仔细检查问题文件，并使用Notepad++进行格式修正。

在“参数”设置中，容忍度值ε被设定为0.5 ppm，以反映实验数据库的精确度。我们启用了“等效碳”选项，这意味着如果在数据库中找到多个相同的δ_C-SDF值，相同的δ_C可以被多次匹配。软件根据得分的递减和误差的递增对数据库中的化合物进行排序。得分是指¹³C-NMR光谱中与δ_C-SDF匹配的碳化学位移数量与化合物碳原子总数的比值（见图1）。误差则是匹配信号之间累积的绝对差异（即Σ |δ_C-SDF − δ_C|）。

通过这一流程，MixONat成功识别了5种主要的单萜（1至5，排名1至4和6）以及新薄荷醇（8，排名第5），后者是薄荷醇的一个完美匹配的二立体异构体（得分为1.0）。通过细致的δC检查，我们确认了薄荷精油中新薄荷醇的存在（见支持信息表1S）。值得注意的是，无论是GC-FID还是GC-MS，按照欧洲药典所述方法，都无法区分新薄荷醇（8）和薄荷醇（3），因为它们共洗脱且质谱碎片模式相似，这突显了¹³C NMR在质量控制中的补充作用。我们还鉴定了如柠檬烯（6，排名第7，得分0.9）和薄荷呋喃（7，排名第12，得分0.7）等次要单萜（见表1）。通过使用较低阈值的自动峰值选择，我们为这些次要天然产物识别了额外的四元碳。最终，利用这些δ_C列表，我们预测了薄荷精油中前7个化合物，包括6种预期的单萜（1至6）和新薄荷醇（8）。薄荷呋喃（7）以0.9的得分排名第8，因为它的季碳C-2位于背景噪声中（见表1，支持信息图7S，12S）。

作为替代方案，MixONat软件能够与预测的δ_C-SDF数据库协同工作。该软件通过将数据库中的化合物按照得分递减和误差递增的顺序进行排序，从而实现去重分析。此过程的准确性主要依赖于两个核心要素：选定的天然产物种类以及δ_C-SDF数据的精确度。因此，对于依赖预测模型生成的数据库，其实际应用价值可能会受到质疑。在本项研究中，我们采用了商业化的ACD/NMR Predictors（C, H）软件和公开可访问的nmrshiftdb2网络数据库，对Lamiaceae数据库2-3和数据库4中的δ_C-SDF进行了预测，以评估这些预测数据库在实际研究中的有效性。

在采用Lamiaceae数据库2进行的研究中，我们利用ACD NMR Predictors软件对952种天然产物进行了δC值的预测，并设定了1.3 ppm的容忍度。在高阈值筛选条件下，8种单萜类化合物的匹配得分达到了完美。其中，薄荷酯（4）、薄荷醇（1）、异薄荷酮（5）和1,8-桉叶油醇（3）位列前四位。排名在第四至第八位的推荐天然产物，要么是缺乏立体化学信息的相同单萜，要么是薄荷酯（4）的异构体（详见表1，图13S和15S，支持信息）。为了验证这些单萜在精油中的实际存在，我们建议将¹³C NMR谱图中的δC数据与同一氘代溶剂中的实验数据进行比较，这一步骤可以通过SpectraBase数据库或SciFinder服务来实现，两者均提供了丰富的天然产物NMR数据（参见支持信息表S1）。

图13S. Lamiaceae数据库2对薄荷精油进行13C-NMR去重分析（包括DEPT-135和DEPT-90数据）的结果。数据库中的化合物按照得分递减和误差递增的顺序进行排名，同时显示了它们的结构、名称、分子量、得分和误差。在化合物的结构图中，匹配的碳原子以红色高亮显示。

此外，¹³C NMR谱图中特定化合物的C、CH、CH₂和CH₃ δ_C的信号强度大致成正比，这为我们快速筛选待核查的天然产物提供了便利。例如，在本研究中，我们通过查看重建的¹³C NMR谱图（图13S，支持信息），并考虑信号的相对强度，成功检索到了异薄荷酮（5，排名第3）的实验化学位移。而对于排名较低的化合物，如oplopanone（排名第9），则认为这种检索工作的价值不大（图14S，支持信息）。

图14S. 显示一个建议化合物的窗口截图，其中编号的结构与匹配的δ_C-SDF以红色突出显示（右上角），匹配的δ_C-SDF及其强度也以不同颜色在重建的¹³C NMR谱图（右下角）的图形表示中显示。左侧，δ_C-SDF根据结构编号，同时显示了化学位移列表及其匹配状态（+或-）。如果需要，用户可以手动更改后者。

在进一步的分析中，柠檬烯（6）和薄荷酮（2）分别以0.9的得分位列第十和第十一（图15S，支持信息）。特别是柠檬烯（6），作为精油中的次要单萜，其四元C-8在高阈值条件下未被选中，但在仔细检查13C NMR谱图后，我们发现它实际上是一个较小的信号。对于薄荷酮（2），由于其酮基C-1的δC值在Lamiaceae数据库2中被ACD NMR Predictors预测不够准确，我们利用MixONat软件的交互式界面手动添加了遗漏的信号，从而提高了其在排名中的位置。调整后，柠檬烯（6）和薄荷酮（2）的排名分别提升至第二和第三位，而薄荷酯（4）依旧稳居首位，薄荷醇（1）、异薄荷酮（5）和1,8-桉叶油醇（3）的排名则从原先的第二至第四位调整至第四至第六位。

图15S. 使用Lamiaceae数据库2（即通过SciFinder和ACD/Labs Spectrus processor）对薄荷精油进行13C-NMR去重分析（包括DEPT-135和DEPT-90数据）的部分结果。在分析中允许了等效碳的存在。

在采用Lamiaceae数据库3进行的分析中，我们首先发现了新薄荷醇（8），这是薄荷醇（1）的一个二立体异构体。尽管在遵循欧洲药典所述条件下的气相色谱（GC）分析中未能将其鉴定出来，但这一发现却突显了13C NMR去重技术在识别此类异构体方面的敏感性（参见支持信息图16S）。这一结果在Lamiaceae数据库2的分析中并未出现，可能是因为通过SciFinder收集的数据集中并未包含这种特定的单萜。然而，值得一提的是，新薄荷酯在Lamiaceae数据库2的分析中排名较高，位列第七，这进一步证实了不同数据库在去重分析中的价值。Lamiaceae数据库3的分析结果与数据库2相似，推荐了薄荷酯（4）、薄荷醇（1）、异薄荷酮（5）、薄荷酮（2）、柠檬烯（6）和1,8-桉叶油醇（3）作为薄荷精油中可能存在的前12种化合物（见表1和支持信息图16S）。

图16S. 使用Lamiaceae数据库3（即通过KNApSAcK和ACD/Labs Spectrus processor）对薄荷精油进行¹³C-NMR去重分析（包括DEPT-135和DEPT-90数据）的部分结果。在分析中允许了等效碳的存在。

最后，我们还构建了Lamiaceae数据库4，它包含了与Lamiaceae数据库3相同的958种天然产物，但δ_C-SDF数据是通过结合KnapsackSearch程序和nmrshiftdb2进行预测得到的。尽管预测的δ_C-SDF可能不如实验数据精确（见支持信息表S1），但这一免费的解决方案仍然成功地在前11个推荐结果中识别出了薄荷精油中所有主要的单萜类化合物（1-3, 5-6, 8），只是薄荷酯（4）的排名稍低，位于第37位。同时，值得注意的是，通常会同时推荐两个对映异构体，例如排名第二的(−)-薄荷酮和排名第三的(+)-薄荷酮（见表1，支持信息图17S）。

通过这个实际案例，我们展示了利用MixONat和KnapsackSearch这两款免费软件进行基于¹³C-NMR的去重分析的简便性和有效性，这对于识别复杂提取物如精油中的主要化合物非常有帮助。这一过程依赖于常规NMR光谱仪记录的¹³C-NMR和DEPT数据，以及与δC相关联的感兴趣结构的数据库。我们提出了一种基于化学分类学的策略来构建合适规模的天然产物库。虽然实验测定的δ_C数据能提供最佳结果，但通过商业和免费程序计算得到的预测值也足够准确，能够快速识别出主要的天然产物。以薄荷精油为例，¹³C-NMR去重技术能够区分薄荷醇的二立体异构体，而这是使用欧洲药典方法的GC-FID或GC-MS所无法实现的。因此，基于¹³C-NMR的去重技术在精油和药用植物的研究及质量控制中具有重要应用价值。

3.2.1 GC-FID分析

薄荷精油的GC-FID分析按照欧洲药典[15]的描述进行，使用配备Phenomenex Zebron ZB-5色谱柱（30米 × 0.25毫米 × 0.25微米膜厚）的6890 GC系统（安捷伦科技）。温度程序从60°C开始，维持10分钟，然后以每分钟2°C的速率升温至180°C，并在180°C保持5分钟后回到初始值。载气为氦气（流量1.5毫升/分钟）；进样1微升样品（甲醇中浓度为2%）；分流比为10:1。单萜的鉴定基于保留时间与真实样品的比较。

3.2.2 GC-MS分析

在进行薄荷精油的气相色谱-质谱联用（GC-MS）分析时，我们采用了岛津GCMS-QP2010设备，并设置了与气相色谱-火焰离子化检测器（GC-FID）分析相同的条件。质谱分析中，离子源和接口的温度分别设定为220°C和200°C，设备在电子冲击（EI）电离模式下运行，电离能量设定为-70电子伏特。通过这种设置，我们能够有效地鉴定精油中的单萜类化合物，这一过程依赖于与商业化的NIST 11和11S质谱库进行计算机匹配，确保了鉴定结果的准确性和可靠性。

3.2.3 NMR分析

在本研究中，我们将90毫克的薄荷精油溶解于600微升的CDCl3溶剂中，以进行核磁共振（NMR）分析。实验在298 K的温度下，利用JEOL 400 MHz YH光谱仪（由JEOL Europe提供）和配备的反向5毫米探头（型号ROYAL RO5）进行。对于13C NMR（100 MHz）光谱的获取，我们采用了WALTZ-16解耦序列，设置了1.04秒的采集时间（对应32,768个复数数据点）以及2秒的弛豫延迟。为了获得清晰的信噪比，我们累积了1024次扫描。在进行傅立叶变换之前，我们对每个自由感应衰减（FID）信号施加了1 Hz的指数线宽滤波器，以优化信号质量。随后，利用MestReNova软件（由Mestrelab Research开发）手动对光谱进行了相位和基线的校正，并以氘代溶剂的中心共振峰在δC 77.16处作为参照。

对于DEPT（Distortionless Enhancement by Polarization Transfer）实验，我们对90毫克的精油样本进行了512次扫描，以确保与13C NMR光谱的精确对齐。我们设定了一个最小强度阈值，用以自动收集13C NMR和DEPT-90的正信号以及DEPT-135的正负信号，同时小心翼翼地排除了可能的噪声伪影。

3.2.4 软件程序

为了构建一个适用于MixONat软件的包含分子及其δ_C的数据库，首要步骤是搜集目标化合物的结构信息，这些化合物通常是先前在特定属或科中已被鉴定的天然产物。这一过程最简便的方法是，从那些需要订阅访问的数据库（如SciFinder 、Dictionary of Natural Products ）或者免费数据库（如KNApSAcK 、Universal Natural Products Database 、LOTUS ）中下载所需数据。一旦将每个分子的独立文件（格式包括.mol、.cdx、.sk2）汇总成一个结构数据文件（SDF），接下来就可以利用有版权的NMR预测软件（例如ACD NMR Predictors [C, H]）或者开源软件（如nmrshiftdb2）来预测它们的δC-SDF。利用MixONat软件内置的CTypeGen工具（参见支持信息图3S），我们可以从包含天然产物及其δC的数据库中生成一个适用的数据库：该工具读取SDF文件，并根据碳的类型对化学位移进行排序，随后创建一个新的SDF文件。这个新文件将包含数据库中每种化合物的预测δC值，按照甲基、亚甲基、亚甲丙基或四元碳进行组织。创建这样的数据库对于MixONat算法的正常运行至关重要。

特定数据库的构建

KS程序

KnapsackSearch程序，简称KS，是一个免费且功能强大的工具，它能够构建专注于特定天然产物的数据库，将化合物的结构信息、生物分类学和预测的¹³C NMR数据紧密结合。用户只需提供一份生物属的列表，即可定义这样一个专注库，这些属可能隶属于某个特定的分类科。KS与KNApSAcK项目紧密相连，通过属名在KNApSAcK数据库中搜索，能够返回包含生物双名法名称和KNApSAcK化合物标识符的配对列表。进一步搜索这些化合物标识符，可以获得化合物的结构描述符。KS将这两种搜索结果结合起来，将一组与属名列表相关的化合物与报道它们的生物体相匹配。当用户以一组属名作为输入运行KS时，它将生成一个SDF文件，其中包含了使用RDKit工具包从KNApSAcK数据库中的SMILES链生成的2D立体结构。这个SDF文件包含了丰富的分子属性标签，如化合物名称、分子式、分子量、CAS号、InChI键、InChI代码、SMILES链、KNApSAcK标识符、相关生物的双名法名称列表，以及nmrshiftdb2预测的NMR数据。这些NMR数据将每个碳原子的索引与其预测的¹³C NMR化学位移相联系。KS是由Python脚本编写的，并通过命令行界面运行，操作简便。例如，如果将Lamiaceae科的属列表保存在名为lamiaceae_genera.txt的文件中，只需运行命令“python process lamiaceae”，即可自动生成名为lamiaceae_knapsack.sdf的SDF文件。此外，PNMRNP数据库现已开放，它提供了一个基于化学分类学或植物化学标准创建数据库的平台，包含了211,280个NPs的结构、属性和分类信息，以及使用nmrshiftdb2或ACD /NMR Predictors预测的δ_C-SDF数据，为研究人员提供了宝贵的资源

NMR数据导出

—END—

点击下方“阅读全文”了解更多