Modelos transferibles de selectividad enantiomérica a partir de datos dispersos

Área de la Ciencia:

• Química Orgánica
• Química Computacional
• Catálisis

Sus antecedentes:

• La optimización de la enantioselectividad en nuevas reacciones es difícil, especialmente con datos limitados sobre las interacciones catalizador-sustrato.
• Los modelos estadísticos existentes tienen dificultades con transformaciones mecanicísticamente complejas y conjuntos de datos dispersos.

Objetivo del estudio:

• Desarrollar una estrategia novedosa de generación de descriptores para predecir el rendimiento del catalizador en reacciones enantioselectivas.
• Permitir el modelado de reacciones con diversos tipos de ligandos y sustratos, abordando la escasez de datos.

Principales métodos:

• Generó descriptores que tienen en cuenta los cambios en el paso determinante de la enantioselectividad según la identidad del catalizador/sustrato.
• Recopiló datos sobre acoplamientos C(sp3) catalizados por níquel enantioselectivos.
• Entrenó modelos estadísticos utilizando características de los estados de transición e intermedios propuestos.

Principales resultados:

• Desarrolló modelos aplicables a ligandos y socios de reacción no vistos.
• Optimizó con éxito ejemplos de bajo rendimiento dentro de un alcance de sustratos.
• Demostró una estrategia para transferir cuantitativamente el conocimiento de datos dispersos a nuevos espacios químicos.

Conclusiones:

• La nueva estrategia de descriptores modela eficazmente reacciones enantioselectivas complejas.
• Este enfoque agiliza el desarrollo de catalizadores y reacciones al permitir la predicción en diversos espacios químicos.
• Facilita la transferencia de conocimiento de datos limitados a aplicaciones novedosas en catálisis asimétrica.