The role of computer-assisted structure elucidation (CASE) programs in the structure elucidation of complex natural products
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Covering: up to the end of December, 2018 There are still a disturbing number of incorrect natural product structure elucidations reported in the literature. The use of Computer-Assisted Structure Elucidation (CASE) programs can minimize this risk by generating all structures that are consistent with the input data and by ranking these structures in order of probability. They can successfully determine structures for complex natural products, with the possible exception of compounds with very few protons. Current CASE programs utilize mainly 2D COSY and HMBC correlation data for structure generation with a starting assumption that all observed peaks are due to pairs of atoms no more than 3 bonds apart. We discuss these assumptions and the problems that occur when they are violated. We also discuss the advantages and disadvantages of other types of 2D data that could be included at the structure generation stage. Four different CASE programs are described with particular emphasis on how they deal with the presence of longer range correlation peaks. These programs provide only planar skeletal structures. However, a new program that relies on different types of stereospecific NMR data to determine 3D structures is also described. Other types of computer assistance for structure elucidation are discussed, including the increasing use of theoretical DFT calculations to determine 3D structures and to predict chemical shifts. Finally, we suggest possible improvements in these programs and suggest that a challenge match between the developers of current CASE programs would be useful.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle