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
半臻(火白)3 分钟前
OpenHuman:开启数字人交互新纪元
人工智能·交互
AI品信智慧数智人5 分钟前
企业级 AI 实时交互数智人全栈技术:重塑人机交互新范式✨
人工智能·人机交互·交互
放下华子我只抽RuiKe57 分钟前
FastAPI 全栈后端(一):为什么选择 FastAPI
前端·javascript·深度学习·react.js·机器学习·前端框架·fastapi
oo哦哦8 分钟前
2026年矩阵管理工具全景观察:从项目协作到全域运营,工具进化的下一站在哪里?
人工智能·矩阵·重构
ting94520009 分钟前
专用 ASIC 推理云平台:面向通用计算场景的 GPU 训练架构替代方案深度技术解析
人工智能·架构
超梦dasgg10 分钟前
并查集(Union-Find)详解 + Java 完整实现
java·数据结构·算法·图搜索
KTJT00610 分钟前
中小企业营销的“双轮驱动”:IP矩阵 + GEO如何实现1+1>2
大数据·人工智能
枫叶林FYL10 分钟前
【强化学习】6 MoE-GRPO:视觉语言模型中基于强化学习的混合专家路由优化
人工智能·语言模型·php
青云计划11 分钟前
SSE流式响应:从Reactor Flux到生产级AI聊天的工程实践——5分钟超时、线程隔离、背压处理全解析
前端·人工智能·firefox
老马识途2.013 分钟前
COZE学习及总结
人工智能