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
cd_9492172118 小时前
上海艺考机构哪家专业?适配高中三年艺考规划推荐
人工智能
skilllite作者18 小时前
Evotown——开启本地化、可验证的AI智能体进化新时代
人工智能·分布式·安全·搜索引擎·agentskills
墨神谕18 小时前
Prompt Engineering
人工智能·prompt
si_en_hao18 小时前
【论文写作】深度学习研一三个月“流水线“发论文教程
论文阅读·人工智能·深度学习·论文笔记·研究生
gihigo199818 小时前
竞争性自适应重加权算法(CARS)
算法
vx_biyesheji000418 小时前
计算机毕业设计:Python医疗数据分析平台 Flask框架 数据分析 可视化 医疗大数据 用户画像(建议收藏)✅
大数据·python·深度学习·数据分析·django·flask·课程设计
郑寿昌18 小时前
AI重构存储:2026智能数据革命
人工智能·架构
广州创科水利18 小时前
精准监测守护边坡安全!广州创科深圳两大森林公园边坡 GNSS 自动化监测项目
人工智能·安全·自动化·边坡
Zzj_tju18 小时前
视觉语言模型技术指南:多图输入、高分辨率理解和长图文场景怎么做?
人工智能·语言模型·自然语言处理