DESARROLLO DE NOVEDOSA METODOLOGÍA ULTRARRÁPIDA DE ELUCIDACIÓN ESTRUCTURAL

TSAI, Y. H.; AMICHETTI, M.; SAROTTI, A.M.*

Simposio; XXIII Simposio Nacional de Química Orgánica; 2021

SAIQO

La determinación de la estructura de productos naturales y sintéticos constituyefrecuentemente un verdadero desafío en química orgánica. Si bien en los últimos años diversasherramientas de química computacional han sido desarrolladas y utilizadas exitosamente parala resolución de problemas de elucidación estructural empleando cálculos de RMN,a uno de losprincipales cuellos de botella en estos procedimientos es el costo computacional involucrado almodelar sistemas de muchos isómeros de alta libertad conformacional. Respondiendo a estanecesidad, el objetivo de este trabajo fue desarrollar un nuevo método ultra rápido deelucidación estructural empleando un procedimiento de cálculo de RMN simple y rápido, peroque al mismo tiempo sea confiable.Para reducir significativamente el costo computacional, se diseñó y se aplicó unaestrategia en donde se realizó primeramente un muestreo conformacional rápido a nivel MMFFy sobre el subconjunto de conformaciones optimizadas, se calcularon los desplazamientosquímicos utilizando un conjunto simple de funciones base (como STO-3G, 3-21G o MIDI!).Teniendo en cuenta la modesta predicción de RMN a estos niveles, y a fin de correlacionar doso más estructuras candidatas a un sólo set de datos experimentales, se decidió emplear elmétodo de probabilidad J-DP4 desarrollado en nuestro grupo,b refinando así los resultados conla incorporación de valores de constante de acoplamiento vecinal. Cabe destacar que, comoalternativa al método original en el cual los valores de J eran calculados a nivel cuántico, losmismos fueron predichos a partir de las ecuaciones de Karplus y de Altona para reducir aúnmás el tiempo de cálculo. Los resultados obtenidos fueron muy promisorios, aunque en algunoscasos se observaron modestas predicciones. Con el objeto de mejorar los resultados, seentrenaron y se validaron sistemas de aprendizaje automático (machine learning) quecorrelacionan desplazamientos químicos y otros descriptores calculados empleando métodosrápidos (capa de entrada) con los correspondientes valores obtenidos con niveles superiores(capa de salida).c De esta manera, el uso de sistemas de aprendizaje automático permitiómejorar y sin costo computacional adicional los desplazamientos químicos calculados conniveles poco rigurosos.