Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Contenido
1. Introducción .............................................................................................................. 2
i. Relevancia de los Cálculos Cuánticos de RMN................................................ 2
ii. Bases Teóricas de los Cálculos Cuánticos ..................................................... 2
iii. Cálculos Cuánticos de RMN .................................................................................. 9
iv. Resultados Preliminares y Aportes del Grupo.............................................. 10
2. Objetivos .................................................................................................................. 15
i. Objetivos Generales............................................................................................ 15
ii. Objetivos Específicos........................................................................................ 15
3. Resultados y discusiones ..................................................................................... 16
4. Conclusiones ............................................................................................................ 26
5. Plan de trabajo para el próximo período ........................................................ 26
6. Actividades Académicas de posgrado .................................................................. 27
i. Publicaciones ....................................................................................................... 27
ii. Congresos............................................................................................................... 27
iii. Seminarios............................................................................................................. 27
iv. Cursos .................................................................................................................... 27
7. Referencias .............................................................................................................. 27
1
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
1. Introducción
i. Relevancia de los Cálculos Cuánticos de RMN
La elucidación estructural es una etapa crucial en el descubrimiento de un nuevo compuesto
químico y,+ en particular, la espectroscopia de resonancia magnética nuclear (RMN) constituye
una de las herramientas más valiosas que disponemos los químicos orgánicos para llevar a cabo
dicha tarea.1 La configuración relativa ha sido determinada históricamente por la trasferencia
de polarización del spin nuclear a través del espacio, reflejada en las constantes de acoplamiento
escalar H-H (3JHH), contantes de acoplamiento escalar C-H de larga distancia (2,3JCH) y
experimentos de efecto nuclear de Overhauser (nuclear Overhauser effect -NOE). Los avances
en esta disciplina han sido extraordinarios, intensificados por la introducción de mediciones de
acoplamientos residuales dipolares (residual dipolar couplings -RDC)2 y anisotropía de
desplazamiento químico residual (residual chemical shift anisotropy-RCSA).3 Aun así, más allá
del advenimiento de espectrómetros cada vez más poderosos y de nuevas metodologías, dada
la naturaleza indirecta de la espectroscopia de RMN, la tarea de interpretar las señales de
resonancia para obtener estructuras congruentes esta generalmente plagada de obstáculos y
ambigüedades, haciendo el proceso arduo y desafiante. Esto se entiende mejor cuando se
analiza la gran cantidad de productos naturales incorrectamente asignados, el cual podría ser
mucho más grande si tenemos en cuenta que los errores generalmente son detectados luego
de lograr la síntesis total de las estructuras propuestas.4
En los últimos años se ha incrementado el uso de estrategias de química cuántica para
resolver problemas de validación estructural,5 facilitado por la capacidad de los paquetes de
software de química computacional para calcular parámetros de RMN de una forma sencilla.6
Desde comienzos del siglo XXI, el desarrollo de cálculos computacionales con métodos de
química cuántica, y en particular los cálculos de resonancia magnética nuclear (RMN, incluyendo
desplazamientos químicos y constantes de acoplamiento) han venido a auxiliar el proceso de
elucidación, validación y revisión estructural de moléculas orgánicas.7
La asignación incorrecta de productos naturales complica la evaluación de esquemas
biosintéticos y puede tener grandes consecuencias si un grupo de investigación se embarca en
la síntesis total de esta estructura mal asignada. 4 La química computacional moderna ha
contribuido en gran parte a prevenir la frustración del gasto de tiempo y energía para desarrollar
la síntesis total de un producto para luego detectar una discordancia entre los espectros de RMN
del producto sintetizado y el aislado.8,4a
𝐻𝜑 (𝑟̅ ) = 𝐸𝜑(𝑟̅ )
2
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Donde E es la energía del sistema, y H es el operador Hamiltoniano de energía, que tiene dos
términos, uno cinético y uno potencial.
−ℎ 2 2
𝐻= ∇ +𝑉
8𝜋 2 𝑚
La energía, entre muchas otras propiedades de las moléculas, puede ser obtenida
resolviendo la ecuación de Schrödinger para 𝜑.
En una molécula, 𝜑 es función de la posición de todos los electrones y los núcleos. El término
cinético del Hamiltoniano es la sumatoria de la energía cinética de todas las partículas, y el
término potencial es la interacción Coulombica entre cada par de entidades cargadas.
−ℎ 2 1 𝜕2 𝜕2 𝜕2
𝑇= ∑ ( + + )
8𝜋 2 𝑚𝑘 𝜕𝑥𝑘2 𝜕𝑦𝑘2 𝜕𝑧𝑘2
𝑘
1 𝑒𝑗 𝑒𝑘
𝑉= ∑∑
4𝜋𝜖0 ∆𝑟𝑗𝑘
𝑗 𝑘<𝑗
1 𝑍𝐼 𝑒 2 𝑒2 𝑍𝐼 𝑍𝐽 𝑒 2
𝑉= (− ∑ ∑ ( ) + ∑∑( ) + ∑∑( ))
4𝜋𝜖0 ∆𝑟𝑖𝐼 ∆𝑟𝑖𝑗 ∆𝑅𝐼𝐽
𝑖 𝐼 𝑖 𝑗<𝑖 𝐼 𝐽<𝐼
𝐻 = 𝑇 𝑒𝑙𝑒𝑐 (𝑟̅ ) + 𝑇 𝑛𝑢𝑐𝑙 (𝑅̅ ) + 𝑉 𝑛𝑢𝑐𝑙−𝑒𝑙𝑒𝑐 (𝑅̅, 𝑟̅ ) + 𝑉 𝑒𝑙𝑒𝑐 (𝑟̅ ) + 𝑉 𝑛𝑢𝑐𝑙 (𝑅̅ )
Esto permite separar el Hamiltoniano en dos partes independientes, y podemos construir el
Hamiltoniano electrónico despreciando el término cinético de los núcleos:
𝑒𝑙𝑒𝑐
1 𝜕2 𝜕2 𝜕2 𝑍𝐼 1
𝐻 = − ∑ ( 2 + 2 + 2 ) − ∑ ∑ ( ̅̅̅ ) + ∑∑( )
2 𝜕𝑥𝑘 𝜕𝑦𝑘 𝜕𝑧𝑘 |𝑅𝐼 − 𝑟̅𝑖 | |𝑟̅𝑖 − 𝑟̅|
𝑗
𝑖 𝑖 𝐼 𝑖 𝑗<𝑖
𝑍𝐼 𝑍𝐽
+ ∑∑( )
̅̅̅𝐼 − ̅̅̅
|𝑅 𝑅𝐽 |
𝐼 𝐽<𝐼
Donde 𝐸 𝑒𝑓𝑓 es la función de potencial nuclear efectivo, que describe la superficie de energía
potencial del sistema. 𝜑 cumple los requisitos de estar normalizada y ser antisimétrica, ya que
| 𝜑|2debe permanecer invariante con respecto al intercambio de dos electrones cualquiera por
ser partículas idénticas.
Solucionar esta ecuación de Schrödinger de forma exacta, para encontrar (entre otras cosas)
la energía del sistema, no es posible excepto para los sistemas más triviales. Para poder
proceder, se hacen una serie de suposiciones que permiten simplificar el proceso y encontrar
una solución aproximada para una gran cantidad de moléculas.
3
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
𝜙1 (r̅1 )α(1) 𝜙1 (r̅1 )β(1) … 𝜙𝑛/2 (r̅1 )α(1) 𝜙𝑛/2 (r̅1 )β(1)
1 ⋮ ⋮ ⋮ ⋮
𝜑(𝑟̅ ) = | ⋮ ⋮ |
√𝑛! ⋮ ⋮
𝜙1 (r̅ 𝑛 )α(n) 𝜙1 (r̅ 𝑛 )β(n) ⋯ 𝜙𝑛/2 (r̅ 𝑛 )α(n) 𝜙𝑛/2 (r̅ 𝑛 )β(n)
Así, 𝜑 tiene en cuenta todos los posibles orbitales de todos los electrones en el sistema
molecular para formar la función de onda.
Los orbitales moleculares individuales 𝜙𝑖 son expresados como una combinación lineal de
funciones base primitivas arbitrarias 𝑥𝜇 :
𝜙𝑖 = ∑𝑁
𝜇=1 𝑐𝜇𝑖 𝑥𝜇 𝜇 = 1,2,3, … , 𝑁
Por el Principio Variacional sabemos que la energía del estado basal de cualquier función
antisimétrica normalizada de las coordenadas electrónicas, es siempre mayor al valor esperado
para la función exacta del sistema, entonces el problema se resume en encontrar el set de
coeficientes 𝑐𝜇𝑖 de las funciones base primitivas en los orbitales moleculares que minimizan la
energía de la función de onda resultante. Este principio llevó a las ecuaciones de Roothaan-Hall:
𝑁
ó 𝐹𝐶 = 𝑆𝐶𝜀
Donde cada elemento es una matriz: 𝜺 es la matriz diagonal de las energías orbitales. 𝑺 es la
matriz de solapamiento cuyos elementos son las integrales de solapamiento de las funciones de
la base y 𝑪 es la matiz de los coeficientes que definen los orbitales. 𝑭 es la matriz de Fock, y
representa el efecto promedio del campo de todos los electrones en cada orbital. Está
𝑐𝑜𝑟𝑒
compuesta por 𝐻𝜇𝜈 matriz de energía de cada electrón individual en el campo de los núcleos
desnudos, y 𝑃𝜆𝜎 , la matriz de densidad electrónica de los orbitales ocupados. Para un sistema
de capa cerrada son:
𝑁 𝑁
𝑐𝑜𝑟𝑒
1
𝐹𝜇𝜈 = 𝐻𝜇𝜈 + ∑ ∑ 𝑃𝜆𝜎 [(𝜇𝜈|𝜆𝜎) − (𝜇𝜆|𝜈𝜎)]
2
𝜆=1 𝜎=1
𝑜𝑐𝑢𝑝𝑎𝑑𝑜𝑠
∗
𝑃𝜆𝜎 = 2 ∑ 𝑐𝜆𝑖 𝑐𝜎𝑖
𝑖=1
Donde (𝜇𝜈 |𝜆𝜎) son las integrales de repulsión electrónica que representan la repulsión
Coulombiana clásica entre los electrones; y el término (𝜇𝜆|𝜈𝜎) representa las integrales de
intercambio, término puramente cuántico que surge como consecuencia de la antisimetría de
la función de onda.
4
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Procedimiento de cálculo:
Indican que la función de onda exacta no puede ser expresada como un único determinante
como lo asume la teoría de Hartree-Fock, entonces se proceden a construir otros determinantes
reemplazando uno o más orbitales ocupados en el determinante de Slater de H-F con orbitales
virtuales no ocupados. El método de interacción de configuraciones completo o full (FCI) forma
la función de onda 𝜑 como combinación lineal del determinante de Hartree-Fock y todos los
determinantes sustituidos posibles.
𝜑 = 𝑏0 𝜑0 + ∑ 𝑏𝑠 𝜑𝑠
𝑠>0
Donde s son todas las posibles sustituciones y los coeficientes b son aquellos a determinar
que minimizan la energía del sistema. 𝜑 es la función de onda exacta del sistema y representa
todos los estados electrónicos posibles para una molécula.
5
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
2𝐾 2𝐾!
( )=
𝑁 𝑁! (2𝐾 − 𝑁)!
Este número aumenta rápidamente al aumentar el número de electrones del sistema y el
número de funciones base, lo cual hace que el proceso sea computacionalmente muy costoso.
Por ende, normalmente se usan los métodos CI truncados, incluyendo solo algunas de las
configuraciones excitadas pero el problema es que no son consistentes en tamaño: las energías
de dos sistemas calculadas a una separación grande en la que no interaccionan no es igual a la
suma de los sistemas separados. Se han desarrollado variantes que corrigen esto.
Agrega estados de excitación más altos a la teoría de Hartree-Fock como una corrección no
iterativa. Se basa en dividir el Hamiltoniano exacto en dos partes:
𝐻 = 𝐻0 + 𝜆𝑉 𝐻0 = ∑𝑖 𝐹 𝑖
𝐻0 𝜑𝑛 0 = 𝐸𝑛 0 𝜑𝑛 0 𝜑𝑖 = ∑𝑛 𝜆𝑛 𝜑𝑖 (𝑛) 𝐸𝑖 = ∑𝑛 𝜆𝑛 𝐸𝑖 (𝑛)
𝐻𝜑(𝑛) = 𝐸𝑛 𝜑(𝑛)
Donde 𝐸𝑖 (𝑛) es la energía a orden 𝑛 = 1,2,3 …. y 𝜑𝑖 (𝑛) son los determinantes de Slater
generados por incluir de estados excitados de orden 𝑛.
2
|𝜑𝑖 (0) |𝑉|𝜑𝑛 (0) |
𝐸 (𝐻𝐹) + 𝐸 (2) = 〈𝜑𝑖 (0) |𝐻|𝜑𝑖 (0) 〉 + ∑
𝑛
𝐸𝑖 (0) − 𝐸𝑛 (0)
6
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
La introducción de correlación en los cálculos de segundo orden (MP2) o de mayor solo tiene
utilidad si se emplea una base suficientemente buena. Si se emplea una base “pobre” (como las
STOnG), suelen obtenerse resultados peores que los del método de Hartree-Fock.
La teoría del funcional de densidad está basada en modelar la energía de la nube electrónica
del sistema con una función de densidad electrónica.
Hohenberg y Khon desarrollaron dos teoremas que se pueden resumir en uno solo, que
afirma la existencia de un único funcional de densidad electrónica que minimiza la energía del
estado fundamental de forma exacta, y que cada densidad fundamental determina salvo una
constante el potencial externo del sistema de partículas interactuantes. La energía entonces se
puede escribir como:
Donde el término 𝑇 es la energía cinetica real que surge del movimiento de los electrones,
𝐸𝑒𝑁 es la energía potencial de la atracción nucleo-electrón y 𝐸𝑒𝑒 la interacción electrón-electrón.
Esto sienta las bases para el correcto tratamiento de la correlacion electronica, aunque no define
la forma exacta del funcional o como sustituirlo.
Para solucionar esto, Khon y Sham condideraron un sistema de 2N electrones sin intraccionar
descrito por ciertos orbitales 𝜙𝑖 , de forma que la densidad electronica de ese sistema coincida
con la del sistema real (donde si hay intracciones).
𝑁
Aunque no se conoce el valor real del funcional de densidad se puede aproximar con varios
métodos para conseguir valores muy cercanos a los de energías y densidades reales. Se han
desarrollado distintos tipos de funcionales, los cuales se pueden agrupar en tres categorías,
dependiendo de las aproximaciones utilizadas para estimar 𝐸𝑋𝐶 (𝜌).
7
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
𝐺𝐺𝐴 𝐿𝐷𝐴
|∇𝜌(𝑟)|
𝐸𝑋/𝐶 [𝜌(𝑟)] = 𝐸𝑋/𝐶 [𝜌(𝑟)] + ∆𝐸𝑋/𝐶 [ ]
𝜌4/3 (𝑟)
Para algunas propiedades estas aproximaciones dan mejores resultados que LDA, en
particular para geometrías moleculares y energías del estado fundamental.
Becke formuló un funcional de intercambio en 1988 por corrigiendo 𝐸𝑋𝐿𝐷𝐴 por fiteo con 6
gases nobles, logrando remediar muchas de las deficiencias de los funcionales de aproximación
de densidad local. Hoy sigue siendo ampliamente utilizado
4
𝜌3 𝑥 2 4
𝑋
𝐸𝐵𝑒𝑐𝑘𝑒88 = 𝑋
𝐸𝐿𝐷𝐴 −𝛾 ∫ 𝑑3 𝑟̅ 𝑐𝑜𝑛 𝑥 = 𝜌−3 |∇𝜌|
(1 + 6𝛾𝑠𝑖𝑛ℎ −1 𝑥)
Lee, Yang y Parr desarrollaron el funcional de correlación LYP en 1988, y es uno de los más
usados entre aquellos que no son correcciones a modelos locales.
Funcionales Híbridos
Donde 𝑐’s son constantes que parametrizan el aporte de Hartree-Fock y DFT al funcional
hibrido.
8
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Becke logró así, entre otros, uno de los funcionales más exitosos y comúnmente
empleados, hibrido de tres parámetros ajustados empíricamente: B3LYP
𝑋𝐶 𝑋 𝑋 𝑋 ) 𝑋 𝐶 𝐶 𝐶
𝐸𝐵3𝐿𝑌𝑃 = 𝐸𝐿𝐷𝐴 + 𝑐0 (𝐸𝐻𝐹 − 𝐸𝐿𝐷𝐴 + 𝑐𝑋 ∆𝐸𝐵88 + 𝐸𝑉𝑊𝑁3 + 𝑐𝐶 (𝐸𝐿𝑌𝑃 − 𝐸𝑉𝑊𝑁3 )
Los cálculos DFT se resuelven de la misma forma que los de Hartree-Fock, y su el costo
computacional es similar, pero con la diferencia de que sí incluyen la correlación electrónica
(de forma aproximada a través de la aproximación del funcional de densidad).
2-Optimización de la geometría
Se encuentran las coordenadas nucleares que minimizan la energía del sistema por métodos
de mecánica molecular, semiempíricos, ab initio o DFT.
𝐴 𝜕 2 𝐸(𝜇⃗𝐴 , 𝐵0 )
𝜎𝛼𝛽 = | 𝛼, 𝛽 = 𝑥, 𝑦, 𝑧
𝜕𝜇𝛼 𝜕𝐵𝛽 𝜇⃗⃗
𝑛 𝑦 𝐵0 →0
Invariancia gauge11
𝑨
𝜈
6 𝐴
− 𝜈𝑟𝑒𝑓 𝛾 𝐵 (𝜎 𝑟𝑒𝑓 − 𝜎 𝐴 )
6 𝐴 0,𝑧
𝜹 = 10 = 10 ≃ 𝟏𝟎𝟔(𝝈𝒓𝒆𝒇 − 𝝈𝑨 )
𝜈𝑟𝑒𝑓 𝛾𝐴 𝐵0,𝑧 (1 − 𝜎 𝑟𝑒𝑓 )
9
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Como valores de referencia usualmente se usan los tensores del TMS, aunque nuestro
grupo de trabajo desarrollo un método Multi-Standard (MSTD).
La combinación exitosa de cálculos cuánticos químicos con RNA para enfrentar diferentes
problemas ha sido reportada previamente15 pero este es el primer reporte de su aplicación para
validación estructural utilizando cálculos cuánticos de RMN.
10
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Más allá del desempeño excelente de las RNAs creadas, los casos de estereoisomería
presentan un mayor desafío ya que el estereoisómero propuesto puede no ser el correcto y aun
así presentar desplazamientos de RMN calculados que se correlacionan con la data experimental
de una manera similar a las estructuras del set de entrenamiento.
Para enfrentar esta limitación y llevar la propuesta un paso más adelante, se desarrollaron
poderosas RNA con una habilidad de clasificación mejorada y lo suficientemente poderosas para
detectar errores tan sutiles como los encontrados en errores de asignación entre regio- o
esteroisomeros. Los experimentos 2D C−H COSY (comúnmente conocidos como HSQC) se
utilizaron como modelo para que el análisis de reconocimiento de patrones sea
multidimensional, y se incluyeron también los experimentos unidimensionales de RMN de 1H
NMR (y su correspondiente correlación con RMN de 13C) ya que se estableció que la información
proveniente de los espectros de RMN de 1H es la que tiene mayor peso en la decisión para la
elucidación estructural.16
Las redes nuevas fueron creadas y entrenadas de manera similar a las de primera generación,
y para validarlas, se evaluó su desempeño en pares diasteroisoméricos. Los resultados fueron
extremadamente satisfactorios en cuanto a la habilidad de reconocer patrones en moléculas
que no forman parte del set de entrenamiento.
En ambos casos se lograron crear, entrenar y validar redes neuronales que mostraron una
sorprendente capacidad de clasificación cuando fueron evaluadas en numerosos casos reales de
productos naturales originalmente mal asignados.
11
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
DP4+
Otro importante avance realizado en esta temática fue el desarrollo de una metodología
denominada DP4+,17 una versión mejorada del método DP4 creado por el grupo de Goodman
(Cambridge University) para facilitar la asignación estereoquímica de moléculas orgánicas
complejas.13b
Fundamentos de DP413b
Smith y Goodman demostraron que los errores entre los desplazamientos químicos
calculados y experimentales escalados (e = δs − δexp) para un ser de moléculas orgánicas
obedece una distribución t de Student con media μ = 0, desvío estándar σ, y grados de libertad
ν. Para una molécula con N núcleos, la probabilidad de casa iesimo error puede ser computada,
y asumiendo que los errores son variables independientes, la productoria de cada iesima
probabilidad da como resultado la probabilidad de cada estructura candidata. Luego, usando
como base el teorema de Bayes, la probabilidad porcentual de que cada candidato sea el
isómero correcto es:
∏𝑁 𝜈 𝑖
𝑘=1(1 − 𝑇 (𝛿𝑠,𝑘 − 𝛿𝑒𝑥𝑝,𝑘 )/𝜎)
𝑃(𝑖 ) =
∑𝑚 𝑁 𝜈 𝑖
𝑗=1[∏𝑘=1(1 − 𝑇 (𝛿𝑠,𝑘 − 𝛿𝑒𝑥𝑝,𝑘 ) /𝜎)]
donde P(i) es la probabilidad de la que la iésima estructura (de entre los posibles candidatos)
sea la correcta.
Los términos claves σ y ν para el cálculo de la probabilidad DP4+ deben ser determinados por
el ajuste de los datos (errores entre los desplazamientos calculados y experimentales) de un
gran set a una distribución t usando programas estadísticos específicos. En particular, Smith y
Goodman computaron los desplazamientos para miles de moléculas usando cálculos GIAO de
RMN al nivel de teoría B3LYP/631G**//MMFF (fase gaseosa).
Desarrollo de DP4+
Identificamos dos potenciales inconvenientes en el desarrollo de DP4:
El nivel de teoría B3LYP/6-31G**//MMFF utilizado para los cálculos de RMN no es el
más preciso,18particularmente para la predicción de desplazamientos de 1H.16
El escalado lineal para eliminar los errores sistemáticos en los desplazamientos asume
que la magnitud de un error es independiente del entorno químico (por ejemplo la
hibridación de 13C), y generalmente no es así.
12
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Figura 3 - Distribución de los errores de los desplazamientos químicos de 13C escalados (A) y no escalados (B)
calculados al nivel de teoría B3LYP/6-31G*//B3LYP/6-31G*
Cuando se procedió a evaluar la distribución de los errores no escalados del “test set”, se
encontró que no seguían una distribución t de Student, y se sospechó que se debía a los
errores en carbonos de hibridación sp2 y sp3 (o a protones enlazados a esos carbonos sp2 o
sp3). Luego de separar los datos y analizarlos, se encontró que cada serie (sp2 y sp3) seguían
individualmente distribuciones t.
Y esta puede ser descompuesta en dos: sDP4+ y uDP4+, donde el primer término indica la
probabilidad que se obtiene cuando se utilizan exclusivamente los datos escalados (como en el
caso de DP4), y el segundo cuando solo se usan los datos no escalados:
∏𝑁 𝜈 𝑖
𝑘=1[1 − 𝑇 𝑠 (𝑒𝑠,𝑘 /𝜎𝑠 )]
𝑃 (𝑖 ) =
∑𝑚 𝑁 𝜈 𝑖
𝑗=1[∏𝑘=1[1 − 𝑇 𝑠 (𝑒𝑠,𝑘 /𝜎𝑠 )]
∏𝑁 𝜈 𝑖
𝑘=1[1 − 𝑇 𝑢−𝑠𝑝𝑥 ((𝑒𝑢,𝑘 − 𝜇𝑢−𝑠𝑝𝑥 )/𝜎𝑢−𝑠𝑝𝑥 )]
𝑃(𝑖 ) =
∑𝑚 𝜈 𝑖
𝑗=1[1 − 𝑇 𝑢−𝑠𝑝𝑥 ((𝑒𝑢,𝑘 − 𝜇𝑢−𝑠𝑝𝑥 )/𝜎𝑢−𝑠𝑝𝑥 )]
13
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Más recientemente, hemos validado DP4+ como método computacional para determinar la
configuración relativa de 32 epóxidos quirales.20
J-DP4
∏𝑁
𝑘=1 (1 − 𝑇
𝜈,𝛿 (𝛿 𝑖 𝑂 𝜈,𝐽 𝑖
𝑠,𝑘 − 𝛿𝑒𝑥𝑝,𝑘 )/𝜎𝛿,𝑠 ) ∏𝑘=1(1 − 𝑇 (𝐽𝑠,𝑘 − 𝐽𝑒𝑥𝑝,𝑘 )/𝜎𝐽,𝑠 )
𝑑𝐽 − 𝐷𝑃4(𝑖 ) =
∑𝑚 𝑁
𝑗=1[∏𝑘=1(1 − 𝑇
𝜈,𝛿 (𝛿 𝑖 − 𝛿
𝑠,𝑘
𝑂 𝜈,𝐽 𝑖
𝑒𝑥𝑝,𝑘 ) /𝜎𝛿,𝑠 ) ∏𝑘=1(1 − 𝑇 (𝐽𝑠,𝑘 − 𝐽𝑒𝑥𝑝,𝑘 )/𝐽𝛿,𝑠 )]
En el método iJ-DP4, los valores experimentales de 3JHH se usan para incorporar restricciones
geométricas a las distribuciones conformacionales: se calculan los desplazamientos químicos
solo para las conformaciones compatibles con los valores de 3JHH observados, que luego son
sometidas al tratamiento DP4 estándar.
Para evaluar ambas metodologías se seleccionó un set de ejemplos con variada complejidad
molecular y libertad conformacional. Los resultados se reflejan en la figura 6.
14
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
dJ-DP4 presentó una significante mejora con respecto a DP4 (asignando correctamente el
96% de los ejemplos vs 75 % para DP4). En solo 3 casos la probabilidad dJ-DP4 fue ligeramente
menor que el DP4 original, pero aun así el isómero correcto seguía siendo el más probable.
iJ-DP4 con dos valores 3JHH duplicó el número de aciertos y disminuyó en un 80% el costo
computacional. Esta metodología resultaría muy práctica para estudiar sistemas de gran tamaño
que requieren largos tiempos de cálculo.
Luego, se propuso la alternativa iJ/dJ-DP4 combinando las dos estrategias, donde los valores
3
JHH relevantes guían la búsqueda conformacional, y se realizan los cálculos de RMN para
aquellas conformaciones resultantes para proceder luego con el análisis dJ-DP4. Al usar un único
valor de 3JHH, iJ/dJ-DP4 dio un nivel de aciertos 2.3 veces mayor que DP4 original por el doble del
costo computacional. Pero al usar dos valores de 3JHH, el nivel de aciertos fue 2.5 veces mayor
que DP4, a un menor costo computacional.
Resulta asimismo importante de destacar que todos estos desarrollos (ANN-PRA, DP4+)
fueron pensados para facilitar los procesos de elucidación estructural de moléculas complejas.
Por tal motivo, y para garantizar la implementación de estas metodologías, dedicamos gran
esfuerzo en volcar los complejos sistemas de ecuaciones en hojas de cálculo de Excel (ofrecidas
gratuitamente como información complementaria de los trabajos publicados).5,17
2. Objetivos
i. Objetivos Generales
El presente proyecto se basa en el estudio y desarrollo de novedosas herramientas
computacionales basadas en la química cuántica que faciliten los procesos de elucidación
estructural y estereoquímica de productos naturales y sintéticos complejos.
15
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
3. Resultados y discusiones
Es reconocido que la elucidación estructural por medio de cálculos de RMN en sistemas
flexibles tiene una complicación adicional.24 La interconversión conformacional es rápida
comparada con el tiempo de experimentos de RMN, por ende los desplazamientos químicos
observados son un promedio ponderado de todas las conformaciones. Para reproducir este
efecto en los cálculos de RMN, los desplazamientos y los acoplamientos escalares J de cada
conformación individual son calculados por separado y la contribución de cada confórmero es
dada por su correspondiente amplitud de Boltzmann (wi), proveniente de las energías relativas
calculadas a niveles de DFT.7c Por ende, inconvenientes pueden presentare cuando esas energías
son pobremente estimadas.
La inclusión explicita del solvente podría ser una solución,26 pero el incremento del costo
computacional lo haría inviable y por ello, el efecto del solvente en moléculas polihidroxiladas
se incluye típicamente de forma implícita con PCM 27 (polarizable continuum model) o modelos
similares.28
16
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
En esta primera instancia del presente trabajo de tesis, y con el objetivo de mitigar la fuente
de error en los puentes de hidrógenos intramolecuares, nos remitimos a las conocidas
hiacintacinas y evaluamos distintos niveles de teoría para así refinar las amplitudes de
Boltzmann de las conformaciones, lo que a su vez nos daría una mejor idea de la incertidumbre
energética en DFT.
OH OH OH OH
1
7
7a
6 2 OH OH OH OH
N 3 N N N
5
CH2OH CH2OH CH2OH CH2OH
8 3
1 2 4
Natural A1 Natural A2
OH OH OH OH
OH OH OH OH
N N N N
CH2OH CH2OH CH2OH CH2OH
5 6 7 8
Figura 8 Valores de regresión R2 obtenidos al correlacionar los factores wi para los compuestos 1-8 usando cuatro
funcionales (A: mPW1PW91; B: B3LYP; C: M06-2X; D: ωB97XD) y dos modelos de solvatacion (PCM y SMD) con las
funciones base 6-31+G** y geometrías optimizadas al nivel B3LYP/6-31G*.
17
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Figura 10 (a) Grafica de dispersión de las amplitudes de Boltzmann computadas para los compuestos 1−168 a los
niveles PCM/mPW1PW91/6-31+G**//B3LYP/ 6-31G* (eje X) y SMD/B3LYP/6-31+G**//B3LYP/6-31G* (eje Y). (b)
Distribución conformacional del compuesto 6 calculado a los niveles PCM/mPW1PW91/6-31+G**//B3LYP/6-31G* y
SMD/ mPW1PW91/6-31+G**//B3LYP/6-31G*. Se muestran también conformaciones seleccionadas con sus
poblaciones relativas entre paréntesis.
El cálculo de la energía al nivel SMD mejoró considerablemente los resultados, pero no pudo
revertir exitosamente las tendencias energéticas de conformaciones espurias en algunos
isómeros, los cuales siguieron siendo incorrectamente asignados para ambos métodos (6-9 para
DP4 y 3-4 para DP4+).
18
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Ante este escenario, exploramos una estrategia complementaria más drástica, excluyendo
completamente las energías dadas por los cálculos DFT (claramente la fuente del problema), y
en cambio creando y evaluando diferentes ensambles con amplitudes conformacionales
aleatorias y luego promediando los resultantes valores de DP4/DP4+ (Figura 12).
Esto implica romper con el enfoque tradicional de apoyarse en los resultados provenientes
de un único ensamble (ya sea generado con energías DFT o por ajuste). Mientras que un
ensamble individual puede eventualmente llevar a una predicción tipo DP4 incorrecta,
especulamos que los resultados provistos por un gran set de ensambles podría reflejar la
asignación correcta. Las distintas amplitudes fueron generadas por combinación de dos
variantes: 1) la generación aleatoria de subconjuntos removiendo conformaciones y 2)
colocación de energías arbitrariamente en las conformaciones restantes. 15 estrategias fueron
consideradas en este contexto, y cada una fue testeada luego de 1 millón de iteraciones por
isómero candidato usando un Script de Matlab de nuestra creación.
Figura 12 Resultados DP4/DP4+ obtenidos de correlacionar los datos experimentales de 40 hiacintacinas conocidas
con los datos de los compuestos 1 -168 calculados con distintos ensambles.
19
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
El desempeño de los ensambles aleatorios fue excelente con 100% de los compuestos
correctamente clasificados por DP4 y DP4+ (figura 13). La naturaleza estocástica del método no
permitió llegar a valores extremos de probabilidad (<99%), pero no se ve como una desventaja
ya que es sabido DP4 y DP4+ tienden a sobreestimar los valores de probabilidad.6b Los diferentes
ensambles devolvieron valores diferentes pero similares cualitativamente, indicando la
posibilidad de seleccionar unos pocos para realizar el análisis. También, las mismas tendencias
se observaron utilizando menos iteraciones (solo 1000 iteraciones llevaron estadísticamente a
los mismos resultados), lo cual puede ser implementado fácilmente en Matlab, Python o
ambientes similares, demandando solo algunos minutos en computadoras estándar. Con estos
resultados en mano, concluimos que esta metodología representa una estrategia simple, fácil
de llevar a cabo y conceptualmente diferente para fortalecer (o desafiar) la asignación
estereoquímica llevada a cabo bajo los formalismos estándar de DP4/DP4+ o sus variantes SMD.
20
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
OAc O
OH O O H H H O
HO O OAc
H Me
O Me
O O AcO OAc OH HO OH
Ph O H OH
Me OAc
O
189-191 192-196 197 198-200 201-203 204
HO2C
OH OH H H
O O
O O HO OH H
HO O
N O N OH O
N OHC H
O
N HO O O
O CH2OH
O N OH
Cl
O O
S OH
F3C OMe O O OH
O O OMe O O HO OH
O
O O O
O MeO O
21
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
El script “Mix” (Figura 17) calcula la probabilidad DP4+ bajo el procedimiento estándar
emparejando los valores de σ del confórmero j con la energía SCF correspondiente del mismo
confórmero j. Luego, de forma aleatoria cambia el orden de los confórmeros en la lista de
energías, correlacionando los valores de σ del conformero j con la amplitud de Boltzmann de
cualquier otro confórmero k, para finalmente recomputar la probabilidad DP4+. En otras
palabras, los tensores correspondientes a cada confórmero son promediados usando las
amplitudes de Bolzmann de otro.
Para obtener datos estadísticamente significantes, este procedimiento fue iterado un millón
de veces para cada candidato pero en la figura 18 se muestran los resultados de las primeras
100 iteraciones ya que es representativo del resultado final.
Figura 17 - (a) Resultados obtenidos con DP4+Std y DP4+Mix (solo las primeras 100 iteraciones). (b) Aciertos
obtenidos con el set de prueba, definido como el porcentaje de compuestos correctamente asignados en cada caso.
Se podría pensar que modular las poblaciones debería tener un efecto pequeño cuando las
conformaciones tienen poca variabilidad en sus desplazamientos calculados (como es de
esperarse en las rotaciones simples de grupos alquilos por ejemplo). Pero en el caso de nuestro
set de prueba se encontraron grandes cambios en los valores de apantallamientos isotrópicos
entre las diferentes conformaciones, con Δδ máximos en el rango de 2.60-10.4 ppm para 13C y
0.21-1.30 ppm para 1H. Estos valores se obtuvieron promediando los resultados de todos los
isómeros para un dado sistema.
22
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
DP4+(Std, Mix o Stress) promedio es el promedio de los valores de DP4+ entre los 66
sistemas del set de prueba
DP4+(Mix o Stress) es el promedio del valor de DP4+ de cada iteración para cada
compuesto.
ΔDP4+(Mix o Stress) es la diferencia entre el valor de DP4+ Std y el valor de DP4+(Mix o Stress)
en cada compuesto.
El script fue evaluado con el mismo set de prueba usando un millón de iteraciones por cada
isómero, se muestran los resultados de las primeras 100 iteraciones (figura 20).
23
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Figura 19 - (a) Resultados obtenidos con DP4+ Estándar y DP4+ Stress (mostrando solo las primeras 100 iteraciones).
(b) Aciertos obtenidos para el set de prueba, definido como el porcentaje de compuestos correctamente asignados
en cada caso.
Como se muestra en la figura 20b, para ΔE=1, DP4+Stress tuvo ligeramente menos aciertos que
el tratamiento Estándar, sugiriendo que el método es bastante robusto bajo incertidumbres
moderadas de energía. El 55-78% de los casos permanecieron correctamente asignados
(dependiendo de la iteración), aun bajo un nivel de incertidumbre extremo (ΔE = 5 Kcal/mol), el
cual es mucho mayor que lo esperado para los métodos DFT. Esto es consistente con los
resultados obtenidos con el procedimiento Mix.
Para analizar porque muchos sistemas permanecen prácticamente inalterados mientras que
otros presentan una fuerte dependencia con la perturbación aplicada, clasificamos el set de
prueba según los valores de |ΔDP4+| obtenidos con los scripts Mix y Stress (figura 21).
24
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
Figura 20 - ΔDP4+ para el set de prueba y su clasificación según la sensibilidad de los sistemas respecto a los
métodos Mix y Stress.
El uso de ΔE hasta +-1Kcal/mol se tomó como una medida de la exactitud esperada para los
funcionales de DFT conocidos. De acuerdo a nuestra definición, valores de |ΔDP4+| en los
rangos de 0-10, 10-50, y 50-100 corresponden a sistemas tipo A, B y C respectivamente. Los
sistemas tipo A son altamente robustos arrojando valores de DP4+ constantes ante las
iteraciones de la perturbación, los tipo B son más sensibles, aunque tanto en estos como los
tipo A, el sentido de la asignación (correcta o no), en general no cambia en relación al
tratamiento DP4+ Standard. Por el contrario, en los tipo C el candidato más probable cambia
cuando se aplica la perturbación a la energía. Por otro lado, el signo de ΔDP4+ indica la
naturaleza del cambio: si ΔDP4+<0, la perturbación mejora la predicción hacia el isómero
correcto, y ΔDP4+>0 la empeora. En general, el signo de ΔDP4+ fue el mismo ya sea para el
tratamiento Mix o Stress. Más aun, esta fue la única relación encontrada entre ambas
perturbaciones.
Con respecto al método Mix, 46 casos son tipo A o B, mientras que 20 son tipo C. En general,
la aplicación de la perturbación los afecto negativamente, y de los 20 compuestos de tipo C, 16
presentaron ΔDP4+>0, cambiando el sentido de la asignación para peor. Por otro lado, los otros
4 compuestos de tipo C fueron incorrectamente asignados por el método Standard, y fueron
corregidos al aplicar el script Mix.
Para el método Stress, los resultados fueron muy interesantes ya que 64 sistemas del set de
prueba pertenecen a la categoría A o B, lo que quiere decir que, en general, la mayoría de los
25
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
sistemas son poco sensibles a moderadas fluctuaciones de energía. Los cuatro compuestos
incorrectamente asignados por el DP4+Standard resultaron tipo A, no siendo posible corregir la
asignación errónea con la perturbación: para las hiacintacinas 214 y 215 el problema es
puramente energético, donde se sobreestima la estabilidad de conformaciones formando
puente de hidrogeno intramolecular. Por otro lado, en 185 y 191 concluimos que el problema
es tensorial, donde los valores de apantallamiento correlacionaron mejor para otro candidato
parecido en estructura al correcto.
4. Conclusiones
En esta primera etapa del doctorado se lograron abordar varios de los objetivos planteados en
el plan de tesis: el desarrollo de DP4+ para sistemas perturbados, y el comienzo de una nueva
metodología tipo DP4+ para moléculas altamente polares en solventes próticos, a su vez
utilizando estos nuevos métodos para la elucidación estructural de productos naturales.
Se continuará con el concepto de no depender de un solo calculo DP4+, sino de realizar una
serie de distintas determinaciones basadas en las variaciones mencionadas que, en conjunto,
apunten hacia la estructura correcta entre los candidatos.
26
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
ii. Congresos
Presentación del Trabajo “Desarrollo de Novedosas Metodologías Computacionales
para la Asignación Estereoquímica de Sistemas Polihidroxilados”. Marcarino, M. O.;
Zanardi, M. M.; Sarotti, A. M. en el XXII Simposio Nacional de Química Orgánica en
Ciudad de Mendoza, Mendoza, Argentina, Noviembre de 2019.
Presentación del Trabajo “Efecto de los Enlaces de Hidrógeno en la Asignación
Estereoquímica de Pirrolizidinas Polihidroxiladas por Métodos Computacionales”.
Zanardi, M. M.; Marcarino, M. O.; Sarotti, M.A. en el XXII Simposio Nacional de Química
Orgánica en Ciudad de Mendoza, Mendoza, Argentina, Noviembre de 2019.
iii. Seminarios
"Reassignments and Corroborations of Oxo-Bridged Natural Products Directed by OSE
and DU8 + NMR Computation". Andrei G. Kutateladze, Elizabeth H. Krenske, and Craig
M. Williams Angew. Chem. Int. Ed. 2019, 58, 7107-7112. Presentado el 09 de diciembre
de 2019.
iv. Cursos
Compuestos de Boro en Síntesis Orgánica
Análisis Químico e Investigación Forense
Química Orgánica Superior (Actualmente en curso)
Espectroscopía de RMN de biomacromoléculas (Actualmente en curso)
7. Referencias
1
(a) Breton, R. C.; Reynolds, W. F. Nat. Prod. Rep. 2013, 30, 501. (b) Gil, R. R. Angew. Chem. Int. Ed. 2011,
50, 7222.
2
(a) Navarro-Vázquez, A.; Gil, R. R.; Blinov, K. J. Nat. Prod. 2018, 81, 203. (b) Troche-Pesqueira, E.; Anklin,
C.; Gil, R. R.; Navarro-Vázquez, A. Angew. Chemie. Int. Ed. 2017, 56, 3660.
3
Hallwass, F.; Schmidt, M.; Sun, H.; Mazur, A.; Kummerlöwe, G.; Luy, B.; Navarro-Vázquez, A.; Griesinger,
C.; Reinscheid, U. M. Angew. Chemie. Int. Ed. 2011, 50, 9487.
4
(a) Nicolaou, K. C.; Snyder, S. A. Angew. Chemie. Int. Ed. 2005, 44, 1012. (b) Yoo, H. D.; Nam, S. J.; Chin,
Y. W.; Kim, M. S. Arch. Pharm. Res. 2016, 39, 143.
5
(a) Sarotti, A. M. Org. Biomol. Chem. 2013, 11, 4847. (b) Zanardi, M. M.; Sarotti, A. M. J. Org. Chem.
2015, 80, 9371.
6
Para reviews recientes, ver: (a) “Bagno, A.; Saielli, G. Wiley Interdisciplinary Reviews: Computational
Molecules Science, 2015”. (b) Grimblat, N.; Sarotti, A. M. Chem. Eur. J. 2016, 22, 12246. (c) Lodewyk, M.
W.; Siebert, M. R.; Tantillo, D. J. Chem. Rev. 2012, 112, 1839.
7
(a) Bifulco, G.; Dambruoso, P.; Gomez-Paloma, L.; Riccio, R. Chem. Rev. 2007, 107, 3744. (b) Tantillo, D.
J. Nat. Prod. Rep. 2013, 30, 1079. (c) Willoughby, P. H.; Jansma, M. J.; Hoye, T. R. Nat. Protoc. 2014, 9, 643.
27
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
8
Para reviews principales, ver: Ref 4a y (a) Suyama, T. L.; Gerwick, W. H.; McPhail, K. L. Bioorg. Med. Chem.
2011, 19, 6675. (b) Maier, M. E. Nat. Prod. Rep. 2009, 26, 1105. Para referencias recientes, ver: (c)
Nicolaou, K. C.; Shah, A. A.; Korman, H.; Khan, T.; Shi, L.; Worawalai, W.; Theodorakis, E. A. Angew. Chem.,
Int. Ed. 2015, 54, 9203. (d) Zhu, L.; Liu, Y.; Ma, R.; Tong, R. Angew. Chem., Int. Ed. 2015, 54, 627. (e) Xiao,
Q.; Young, K.; Zakarian, K. J. Am. Chem. Soc. 2015, 137, 5907. (f) Willwacher, J.; Fürstner, A. Angew. Chem.,
Int. Ed. 2014, 53, 4217. (g) Nicolaou, K. C.; Hale, C. R. H.; Nilewski, C.; Ioannidou, H. A.; ElMarrouni, A.;
Nilewski, L. G.; Beabout, K.; Wang, T. T.; Shamoo, Y. J. Am. Chem. Soc. 2014, 136, 12137.
9
“Foresman, J. B.; Frisch, Æ. (1996) Exploring Chemistry with Electronic Structure Methods (Second
Edition). Gaussian, Inc.”
10
(a) “Martin, R. M. (2004). Electronic structure: basic theory and practical methods. Cambridge university
press”. (b) Material de la asignatura "Métodos computacionales en Química Orgánica”.
11
“Magyarfalvi, G.; Wolinski, K., Hinton, J.; Pulay, P. (2011). Shielding Calculations: GIAO Methods.
Encyclopedia of Magnetic Resonance”.
12
(a) Sarotti, A. M.; Pellegrinet, S. C. J. Org. Chem. 2009. 74, 7254. (b) Sarotti, A. M.; Pellegrinet, S. C. J.
Org. Chem. 2012, 77, 6059.
13
(a) Smith, S. G.; Goodman, J. M. J. Org. Chem. 2009, 74, 4597. (b) Smith, S. G.; Goodman, J. M. J. Am.
Chem. Soc. 2010, 132, 12946.
14
“Zupan, J.; Gasteiger, J. (1999). Neural Networks in Chemistry and Drug Design, Wiley VCH, Weinheim”
15
(a) Le, H. M.; Dinh, T. S.; Le, H. V. J. Phys. Chem. A. 2011, 115, 10862. (b) Le, A. T. H.; Vu, N. H.; Dinh, T.
S.; Cao, T. M.; Le, H. M. Theor. Chem. Acc. 2012, 131, 1158. (c) Nguyen, H. T. T.; Le, H. M. J. Phys. Chem. A.
2012, 116, 4629. (d) Makarova, K.; Rokhina, E. V.; Golovina, E. A.; Van As, H.; Virkutyte, J. J. Phys. Chem.
A. 2012, 116, 443. (e) Balabin, R. M.; Lomakina, E. I. J. Chem. Phys. 2009, 131, 074104.
16
(a) Chini, M. G.; Riccio, R.; Bifulco, G. Eur. J. Org. Chem. 2015, 2015, 1320. (b) Marell, D. J.; Emond, S. J.;
Kulshrestha, A.; Hoye, T. R. J. Org. Chem. 2014, 79, 752.
17
Grimblat, N.; Zanardi, M. M.; Sarotti, A. M. J. Org. Chem. 2015, 80, 12526.
18
(a) Nazarski, R. B.; Pasternak, B.; Lesniak, S. Tetrahedron. 2011, 67, 6901. (b) Shepherd, D. J.; Broadwith,
P. A.; Dyson, B. S.; Paton, R. S.; Burton, J. W. Chem. - Eur. J. 2013, 19, 12644.
19
Para trabajos recientes llevados a cabo por nuestro grupo, ver: (a) Grimblat, N.; Kaufman, T. S.; Sarotti,
A. M. Org. Lett. 2016, 18, 6420. (b) Sarotti, A. M. Org. Biomol. Chem. 2018, 16, 944. (c) Riveira, M. J.;
Sarotti, A. M. Org. Biomol. Chem. 2018, 16, 1442. (d) Karak, M.; Barbosa, L. C. A.; Acosta, J. A. M.; Sarotti,
A. M., Boukouvalas, J. Org. Biomol. Chem. 2016, 14, 4897. (e) Huang, P.; Li, C.; Sarotti, A. M.; Turkson, J.;
Cao, S. Tetrahedron Lett. 2017, 58, 1330. (f) Li, C.; Sarotti, A. M.; Turkson, J.; Cao, S. Tetrahedron Lett.
2017, 58, 2290. (g) Caia, Y.; Sarotti, A. M.; Kondratyuk, T. P.; Pezzuto, J. M.; Turkson, J.; Cao, S. Bioorg.
Med. Chem. Lett. 2017, 27, 4630. (h) Li, C.; Sarotti, A. M.; Yoshida, W.; Cao, S. Tetrahedron Lett. 2018, 59,
42. (i) Li, C.-S.; Sarotti, A. M.; Huang, P.; Tang, U.; Hurdle, J; Kondratyuk, T.; Pezzuto, J.; Turkson, J.; Cao, S.
Sci. Rep. – Nature. 2017, 7, 1.
20
Zanardi, M. M.; Suárez, A. G.; Sarotti, A. M. J. Org. Chem. 2017, 82, 1873 (Featured Article, ACS Editor´s
Choice, Ilustración Portada).
21
Domínguez, H. J.; Crespín, G. D.; Santiago-Benítez, A. J.; Gavín, J. A.; Norte, M.; Fernández, J. J.; Daranas,
A. H. Mar. Drugs. 2014, 12, 176.
22
Ermanis, K.; Parkes, K. E. B.; Agback, T.; Goodman, J. M. Org. Biomol. Chem. 2017, 15, 8998.
23
(a) Novaes, L. F. T.; Sarotti, A. M.; Pilli, R. A. J. Org. Chem. 2015, 80, 12027. (b) Della-Felice, F.; Sarotti,
A. M.; Pilli, R. A. J. Org. Chem. 2017, 82, 9191. (c) Della-Felice, F.; Pilli, R. A.; Sarotti, A. M. J. Braz. Chem.
Soc. 2018, 29, 1041.
24
Zanardi, M. M.; Marcarino, M. O.; Sarotti, A. M. Org. Lett. 2020, 22, 52.
25
Hubbard, T. A.; Brown, A. J.; Bell, I. A. W.; Cockroft, S. L. J. Am.Chem. Soc. 2016, 138, 15114.
26
Bagno, A.; Rastrelli, F.; Saielli, G. J. Org. Chem. 2007, 72, 7373.
27
Tomasi, J.; Mennucci, B.; Cammi, R. Chem. Rev. 2005, 105, 2999.
28
Toukach, F. V.; Ananikov, V. P. Chem. Soc. Rev. 2013, 42, 8376.
29
(a) Bame, J.; Hoeck, C.; Carrington, M. J.; Butts, C. P.; Jäger, C. M.; Croft, A. K. Phys. Chem. Chem. Phys.
2018, 20, 7523. (b) Butts, C. P.; Jones, C. R.; Harvey, J. N. Chem. Commun. 2011, 47, 1193. (c) Kutateladze,
A. G.; Mukhina, O. A. J. Org. Chem. 2015, 80, 5218. (d) Kutateladze, A. G.; Kuznetsov, D. M. J. Org. Chem.
2017, 82, 10795.
30
(a) Grimblat, N.; Gavín, J. A.; Hernández Daranas, A.; Sarotti, A. M. Org. Lett. 2019, 21, 4003. (b) Wu, J.;
Lorenzo, P.; Zhong, S.; Ali, M.; Butts, C. P.; Myers, E. L.; Aggarwal, V. K. Nature. 2017, 547, 436.
31
Adamo, C.; Barone, V. J. Chem. Phys. 1998, 108, 664.
28
Primer Informe de Avance de Tesis Doctoral Periodo 2019-2020
32
(a) Becke, A. D. Phys. Rev. A: At., Mol., Opt. Phys. 1988, 38, 3098. (b) Lee, C.; Yang, W.; Parr, R. G. Phys.
Rev. B: Condens. Matter Mater. Phys. 1988, 37, 785.
33
Zhao, Z.; Truhlar, D. G. Theor. Chem. Acc. 2008, 120, 215.
34
Chai, J. − D.; Head-Gordon, M. Phys. Chem. Chem. Phys. 2008, 10, 6615.
35
Marenich, A. V.; Cramer, C. J.; Truhlar, D. G. J. Phys. Chem. B. 2009, 113, 6378.
36
Del Vigo, E. A.; Marino, C.; Stortz, C. A. Carbohydr. Res. 2017, 448, 136.
37
Bhandari Neupane, J.; Neupane, R. P.; Luo, Y.; Yoshida, W. Y.; Sun, R.; Williams, P. G. Org. Lett. 2019, 21,
8449.
29