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
追随者永远是胜利者几秒前
(LeetCode-Hot100)32. 最长有效括号
java·算法·leetcode·职场和发展·go
lifallen2 分钟前
CDQ 分治 (CDQ Divide and Conquer)
java·数据结构·算法
AI周红伟4 分钟前
周红伟:2026年10个AI预言:迈向AGI通用人工智能体时代
大数据·人工智能·机器学习·大模型·agi·智能体·seedance
YMWM_5 分钟前
论文阅读“DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI“
论文阅读·人工智能·vla
月光有害11 分钟前
深入解析批归一化 (Batch Normalization): 稳定并加速深度学习的基石
开发语言·深度学习·batch
追随者永远是胜利者14 分钟前
(LeetCode-Hot100)31. 下一个排列
java·算法·leetcode·职场和发展·go
tzc_fly15 分钟前
大语言模型SFT后训练:SFT,DFT,ASFT,ProFit,BFT,RAFT
人工智能·机器学习·语言模型
ValhallaCoder24 分钟前
hot100-二分查找
数据结构·python·算法·二分查找
Suryxin.24 分钟前
从0开始复现nano-vllm「llm_engine.py」
人工智能·python·深度学习·ai·vllm
0 0 025 分钟前
【C++】矩阵翻转/n*n的矩阵旋转
c++·线性代数·算法·矩阵