不对称催化(三)- 动态动力学拆分&动态动力学不对称转化

一、动力学拆分的基本概念:

动力学拆分的最大理论产率为50%,通过的差异可以将两个对映异构体转化为不同构型的产物,通常情况下使用两个不同反应路径来实现。但是化学家们提供了一个更加实用的方法,通过底物的构型变化实现高于50%的产率,这种方法被称为动态动力学拆分(DKR)

DKR 将动力学拆分与一个将手性底物进行通过非手性中间体(和过渡态的快速原位外消旋化过程耦合起来。随着反应较快的底物对映体通过一个对映选择性的拆分过程不断地转化为产物,(底物的两个对映体之间的)平衡总是通过一个动态的外消旋化过程进行调节。 外消旋化过程是热力学有利的,因为两种对映体混合时造成了熵的增加

跟动力学拆分一样,反应较快的对映体的速率()必须比较慢的对映体的速率()快得多。当 > 20 时可以得到非常好的结果。**一个成功的动态动力学拆分的典型条件是外消旋化过程的应该以大于或等于催化不对称过程的速率(即)进行。**然而,当非常高时,即使也可能得到高ee 值的产物。

除此之外,如果,DKR 会比经典动力学拆分获得更高的产物对映体过量,因为

连续不断的外消旋化过程会防止阻碍动力学拆分其中一个底物对映体的累积这一过程的发生。

相关推荐
明似水11 分钟前
Perplexity AI:对话式搜索引擎的革新者与未来认知操作系统
人工智能·搜索引擎
heart000_125 分钟前
从实验室到生产线:机器学习模型部署的七大陷阱及PyTorch Serving避坑指南
人工智能·pytorch·机器学习
csuzhucong39 分钟前
扫雷中的数学原理
算法
锈儿海老师43 分钟前
关于平凡AI 提示词造就世界最强ast-grep 规则这件事
前端·javascript·人工智能
一点.点1 小时前
李沐动手深度学习(pycharm中运行笔记)——12.权重衰退
pytorch·笔记·深度学习·pycharm
抱抱宝1 小时前
Transformer:现代自然语言处理的革命性架构
深度学习·自然语言处理·transformer
Mars-xq1 小时前
算法 : 把数字翻译成字符串
算法
YU_admin1 小时前
Java:常见算法
java·数据结构·算法
Cachel wood1 小时前
算法与数据结构:动态规划DP
数据结构·算法·动态规划·dp
转码的小石1 小时前
Java面试复习指南:基础、多线程、JVM、Spring、算法精要
java·jvm·数据结构·算法·spring·面试·多线程