DP4+ APP: SIMPLIFICANDO LA ELUCIDACIÓN ESTRUCTURAL IN SILICO. ALCANCES Y VENTAJAS DE CADA MÉTODO DE CORRELACIÓN

FRANCO, BRUNO AGUSTIN; LUCIANO, EZEQUIEL RODRIGO; ZANARDI, MARIA MARTA; SAROTTI, ARIEL

Rosario, Santa Fe, Argentina

Congreso; XXIV Simposio Nacional de Química Orgánica; 2023

Sociedad Argentina de Investigación en Química Orgáncia

Los métodos de elucidación estructural asistidos computacionalmente (CASE, por sus siglas en inglés) son cada día más utilizados para asignación y validación de nuevas estructuras en síntesis orgánica y productos naturales. Entre ellos, se destacan los métodos Bayesianos, que mediante la correlación de datos in silico para varios candidatos y un set de datos experimentales de RMN, permiten asignar la estructura más probable.Debido a la alta precisión de sus resultados, DP4+ es uno de los métodos probabilísticos más populares para la elucidación estructural de compuestos mediante cálculos de RMN.1 Aunque el método es sencillo y fácil de implementar, requiere una serie de procedimientos que pueden resultar tediosos. Por otra parte, su elevado costo computacional puede limitar su uso en ciertos casos. Como alternativa se desarrolló el método Custom-DP4+, una herramienta capaz de utilizar cualquier nivel de teoría deseado, pero con niveles de incertidumbre desconocidos.2 En este trabajo, se han abordado estas limitaciones. Se desarrolló una alternativa, MM-DP4+, que emplea geometrías optimizadas a mecánica molecular (MMFF). El empleo de estructuras menos refinadas que las DFT, requeridas por DP4+, permitió un ahorro de 75% del tiempo de cómputo, con una disminución del 17% en la capacidad predictiva. Para alentar el uso de herramientas CASE por parte de la comunidad científica, se desarrolló una aplicación en Python (DP4+App) para automatizar el proceso de cálculo de probabilidad DP4+, empleando solo los archivos de salida del cálculo de RMN de Gaussian y una hoja de cálculo que contenga los datos experimentales de RMN y las etiquetas. El software permite realizar cálculos a 66 niveles de teoría con incertidumbre validada, de forma dinámica y sencilla. Además, permite desarrollar métodos personalizables utilizando cualquier nivel de teoría deseado.