更新 'README.md'

README.md

@@ -39,3 +39,15 @@ NMR Chemical Shifts of Emerging Green Solvents, Acids, and Bases for Facile Trac
 **我的考虑就是用量化计算（不同溶剂模型）这些化合物的氢谱和碳谱，然后拟合修正，看看是否经过溶剂拟合修正，可以得到更好的计算核磁数据。这是一个探索性的问题，值得做。
 **
 
+
+# 小分子耦合常数计算
+
+### 预测耦合常数
+
+- Prediction of spin–spin coupling constants with machine learning in NMR https://chemistry-europe.onlinelibrary.wiley.com/doi/full/10.1002/ansa.202000180 和 https://medium.com/@liztersahakyan/predicting-scalar-coupling-constants-using-machine-learning-c213af14e862 这个网站都是用ML预测小分子的耦合常数，都是使用https://www.kaggle.com/competitions/champs-scalar-coupling/leaderboard?tab=public 上面的数据集来做的预测。
+
+kaggle有一个耦合常数预测的竞赛，The train dataset contained 4,658,147 scalar coupling observations of 85,003 unique molecules, and the test dataset contained 2,505,542 scalar coupling observations of 45,772 unique molecules。我也可以试试用这个来练练机器学习。
+
+**我的想法，如果可以同时预测化学位移和耦合常数，那么我就可以对小分子进行全谱预测了。**
+
+我的思路：先对分子进行构建，rdkit，然后进行构象寻找，可以用前面提到的方法，然后能量优化，找到能量最低的几个构象，进行boltzmann平均化处理。用这个平均化的作为描述符来预测。因为液体核磁的数据总体上是一个构象平均的结果。