基于 HOSE 算法、增量法与神经网络的核磁谱图预测工具，支持 1H / 13C / 15N / 19F / 31P 的一维与二维谱图预测，并可利用自有实验数据训练算法、持续提升精度。
口播演示：化学位移与偶合常数预测、将预测结果与实验谱图对比进行结构验证、用自有实验数据训练算法，并演示多种结构导入方式与实际操作。
从多核种谱图预测、二维谱生成，到混合物/聚合物模拟与用户数据自训练，覆盖核磁预测的主要工作场景。
NMR Predictors 的典型工作界面截图。
面向合成化学家、谱学分析人员与药物化学研究者的典型工作场景。
| 输入数据 | 分子结构（软件内绘制，或 SDF / mol / SMILES / InChI 导入）；可选自有实验位移训练集 |
|---|---|
| 预测核种 | 1H、13C、15N、19F、31P |
| 一维预测 | 化学位移 + 耦合常数；全去耦 1H 纯位移谱，或考虑二阶耦合效应的完整谱 |
| 二维预测 | COSY、HSQC / HSQC-DEPT、HMQC、HMBC、HSQC-TOCSY、1H–15N HMBC、13C–13C COSY（INADEQUATE）、JRES |
| 核心算法 | HOSE Code、增量法（Incremental）、人工神经网络（Neural Network） |
| 训练数据库 | 内置 >250 万 1H 位移、>350 万 13C 位移、>35 万结构；>7 万含 15N / 19F / 31P 结构；>11.5 万相关化学位移（*数据库单独出售） |
| 预测精度 | 1H 标准误差 ≤0.2 ppm（非交换质子）；13C ≤2 ppm（基于独立测试集验证） |
| 输出能力 | 谱图 / 图表 / 表格；等高线或强度点；报告导出 Word / PowerPoint / PDF |
典型应用来自凯美科公众号技术文章与用户实践，点击查看完整案例。
DuPont 谱学专家 Yiyong He 的 18 年使用经验——将 2D NMR 实验需求降低 95%，凭局部结构预测完成端基指认与混合物逆向解析。
用 ACD/Labs 预测数据构建 ¹³C 数据库（73% 碳信号偏差≤±1.25 ppm），结合 HCA 从 Garcinia bancana 提取物中鉴定 PPAPs 主要成分。
