核磁共振光谱是一种非破坏性技术，用于通过探索分子的电子取向来分析分子结构。本文探讨了核磁共振光谱应用的优势和局限性，并概述了其工业应用。

图片来源：Forance/Shutterstock.com

核磁共振光谱是工业和学术领域广泛使用的分析工具。这种方法可提供原子层面的分子结构信息，是分析分子动力学和原子层面相互作用的一种很有前途的工具。

它是一种涉及核自旋电磁操纵的射频光谱技术。虽然元素周期表中的多个原子核都具有核磁共振活性，但通常研究的原子核包括碳（13C）、氢（1H）、氮（15N）、磷（31P）、钠（23Na）和氟（19F）的同位素。

与其他可以揭示分子结构信息的光谱技术相比，核磁共振光谱有助于通过信息量极大的光谱对化学结构进行全面分析，揭示分子内的相互作用。

核磁共振光谱的优势
在 NMR 光谱中，当样品暴露在外部磁场中时，原子核会被激发并发出共振频率，这些共振频率会被记录、转换和分析。这种技术具有多种优势。

作为一种非破坏性和非侵入性的技术，它能提供分子动态和分子中的相互作用，有助于保留液体或固体样品，供今后研究之用。
使用 NMR 光谱分析的样品除了溶解在适当的氚代溶剂中外，无需进行样品制备。
核磁共振光谱有助于从自然环境中的分子振动中获取准确的三维（3D）结构信息，并保持样品的完整性。
核磁共振光谱法有助于简单快速地获取和分析数据。
NMR 仪器的最新发展使得测量自扩散系数和从样品中提取物理数据成为可能。
核磁共振光谱的局限性
尽管 NMR 光谱是一种强大的分析工具，但它也有一些局限性。

一个常见的限制是 NMR 仪器对样本浓度不足的灵敏度较低，从而导致光谱较差。仪器灵敏度低的原因是 NMR 磁共振与样品分子的相互作用能量较弱。
NMR 仪器及其维护费用昂贵，因为它们需要大功率磁铁作为能源和低温液体进行冷却。
NMR 光谱不支持对高分子量分子进行分析，因为其复杂性和解释光谱的难度较大。
核磁共振光谱无法研究离子状态的分子。
很难分辨分子中具有相似共振频率的氢原子。
只能分析具有磁矩的原子核。

核磁共振光谱的工业应用

在科学家可使用的众多分析技术中，核磁共振光谱技术可为众多领域提供最有用的数据：

化学实验室： 化学研究人员非常依赖 NMR 光谱来分析和确认简单和复杂分子的分子结构。最近，使用永久磁铁的台式 NMR 光谱仪已被取代，成为实验室中传统高场 NMR 光谱仪的经济高效的替代品。

食品工业： 低磁场 NMR 光谱法作为一种非侵入式、快速、灵敏和经济高效的分析方法，广泛应用于食品加工行业。核磁共振光谱可及时提供食品加工过程中的质量参数信息。

核磁共振光谱还可用于识别类胡萝卜素、分析氨基酸、绘制蛋白质结构图以及在食品上市前对其代谢物进行量化。

药物发现与开发： 除了提供原子层面的三维结构信息外，定量核磁共振光谱的应用对于选择具有理想的吸收、分布、代谢、排泄和毒性（ADMET）特性的先导化合物至关重要。

磁共振成像（MRI）：磁共振成像利用核磁共振的磁场和射频，以高灵敏度、高空间分辨率和高对比度观察软组织。它被用作许多病理状况的诊断工具。

癌症诊断： 核磁共振光谱技术用于快速准确地分析组织、细胞提取物、生物液体等。该技术有助于获取分子水平的生化信息，这对肿瘤研究至关重要。

核磁共振波谱学的最新进展
最近发表在《纯粹与应用化学》（Pure and Applied Chemistry）上的一篇文章报道了一种利用 Carr-Purcell-Meiboom-Gill (CPMG) 序列和多回波数据在大口径上获得醇类 1H NMR 光谱的新方法?；竦玫氖菥哂泻芨叩?a class="link-system" href="/encyclopedia/7018103996663562240.html" title="信噪比" target="_blank">信噪比，与计算机模拟的信噪比相吻合。

另一篇发表在《动物》上的文章报告了一项关于乳腺炎临床环境的研究，该研究利用 1H-NMR 光谱比较了多种动物生物标本。结果显示，生物体液中存在 23 种常见分子。综合这些结果发现，临床乳腺炎会影响各种生物通路。

结论
总之，核磁共振光谱是一种功能强大的分析技术，在许多行业得到广泛应用。它是一种很有前途的工具，有助于以非破坏性的方式在分子水平上对简单到复杂的分子进行结构分析。

核磁共振光谱的灵敏度高，即使是微量分子也能进行分析，提供有关分子环境的信息。此外，qNMR 还是一种确定浓度和反应动力学的多功能分析技术。

尽管核磁共振光谱具有显著的优势，但也存在一些局限性，包括成本高、维护成本高以及对复杂分子的灵敏度有限，这些都需要研究人员加以解决，以便在未来取得突破。

参考资料

Chen, D., Wang, Z., Guo, D., Orekhov, V., Qu, X. (2020). Review and Prospect: Deep Learning in Nuclear Magnetic Resonance Spectroscopy. Chemistry - A European Journal. 26, 10391.

https://doi.org/10.1002/chem.202000246 

作者： Bhavna Kaveti