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
羑悻的小杀马特1 小时前
OpenCV 引擎:驱动实时应用开发的科技狂飙
人工智能·科技·opencv·计算机视觉
想跑步的小弱鸡4 小时前
Leetcode hot 100(day 3)
算法·leetcode·职场和发展
guanshiyishi4 小时前
ABeam 德硕 | 中国汽车市场(2)——新能源车的崛起与中国汽车市场机遇与挑战
人工智能
极客天成ScaleFlash5 小时前
极客天成NVFile:无缓存直击存储性能天花板,重新定义AI时代并行存储新范式
人工智能·缓存
Uzuki5 小时前
AI可解释性 II | Saliency Maps-based 归因方法(Attribution)论文导读(持续更新)
深度学习·机器学习·可解释性
澳鹏Appen6 小时前
AI安全:构建负责任且可靠的系统
人工智能·安全
xyliiiiiL6 小时前
ZGC初步了解
java·jvm·算法
爱的叹息6 小时前
RedisTemplate 的 6 个可配置序列化器属性对比
算法·哈希算法
蹦蹦跳跳真可爱5896 小时前
Python----机器学习(KNN:使用数学方法实现KNN)
人工智能·python·机器学习
视界宝藏库7 小时前
多元 AI 配音软件,打造独特音频体验
人工智能