Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >用于研究反应活性和选择性的Distortion/Interaction-Activation Strain模型

用于研究反应活性和选择性的Distortion/Interaction-Activation Strain模型

作者头像
用户7592569
发布于 2020-07-27 07:51:24
发布于 2020-07-27 07:51:24
2K0
举报
文章被收录于专栏:量子化学量子化学

Activation strain model或者distortion/interaction model是一种能量分解的方式,最早由F. Matthias Bickelhaupt在1999年建立,称为activation strain model,随后在2007年Kendall N. Houk也提出了相同的方法,称为distortion/interaction model。在2017年,Bickelhaupt和Houk在Angew上合作发表了此种方法的综述。在这篇综述中,这种方法被命名为Distortion/Interaction-Activation Strain (DIAS) Model。使用DIAS模型可以定量地研究反应的活性和选择性。

在DIAS模型中,沿着反应坐标ζ,势能面ΔE(ζ)被分解为两项:反应应变能ΔEstrain(ζ)和相互作用能ΔEint(ζ),因此DIAS模型本质上是一种能量分解的方式

ΔE(ζ) = ΔEstrain(ζ) + ΔEint(ζ) (1)

其中ΔEstrain(ζ)一般为正值,意义是反应路径上因反应物分子的形变造成的能量的升高。由于ΔEstrain(ζ)与反应物的形变有关,它由反应物的刚性和反应机理决定。ΔEint(ζ)是形变状态下的反应物之间的相互作用能,通常是一个负值,与反应物的电子结构和反应物相互靠近时的朝向有关。

ΔEstrain(ζ)和ΔEint(ζ)的相互影响决定了势能面的形状和能垒的位置。例如,在过渡态处,势能面在反应坐标方向的导数为0

E(ζ)/dζ=0 (2)

因此

Estrain(ζ)/dζ = −dΔEint(ζ)/dζ (3)

反应坐标在DIAS中是一个重要的概念。反应坐标ζ一般由IRC计算得到。反应坐标ζ随后又会被投影到一个关键的几何参数上,这个关键的几何参数必须可以描述整个反应进行的程度,例如D-A反应中形成的C-C键的键长,一般会把这个几何参数也称作反应坐标。以反应坐标ζ为横坐标,ΔE(ζ)、ΔEstrain(ζ)和ΔEint(ζ)为纵坐标作图,可以得到activation strain diagram (ASD)。

那么ΔEstrain和ΔEint是如何计算的呢?如图1所示,以D-A反应的过渡态为例,首先ΔE是很容易计算的,只需要将过渡态的能量和平衡结构下反应物总能量作差即可。

图1. DIAS模型实例

由于已经计算出了ΔE,根据式(1),我们只需要计算ΔEstrain或ΔEint中的任意一个,通常是ΔEstrain,即可求出另外一个(ΔEint)。ΔEstrain的计算也十分简单,只需要将过渡态结构下的两个反应物的片段分别取出来算单点能,再与平衡结构下的反应物能量作差即可。

图1展示的是对势能面上的一个单点(过渡态)做DIAS分析,实际研究中需要对整条反应路径进行分析,否则可能会得到错误的结论。

如图2所示的ASD,展示了反应A和B的ΔE、ΔEstrain和ΔEint随反应坐标的变化趋势。反应A和B在相同的反应坐标下有相同的ΔEstrain,但是反应B的ΔEint更低。若我们仅仅在过渡态处做DIAS分析,得到的结果是反应A和B的ΔEint接近,但是反应A的ΔEstrain更高。同时可以知道反应A的活化能垒也比反应B高,于是我们可能会错误地认为反应A的活化能垒高是因为反应A的ΔEstrain更高,然而实际上是ΔEint对反应的活化能垒高度起着决定性作用。出现这种情况的原因是,不同反应的DIAS分析必须在相同的反应坐标下进行。在图2的例子中,反应A和B的过渡态是在不同的反应坐标下,因此无法比较DIAS分析的结果。

图2. ASD示意图。黑线代表反应A的ASD,蓝线代表反应B的ASD,此处假设反应A和B具有相同的ΔEstrain

DIAS已经被成功应用于众多反应体系。使用DIAS分析可以定量地研究反应过程,从而更好地设计反应。后续我们会继续介绍一些反应实例分析。

参考文献:

[1] F. Matthias Bickelhaupt, J. Comput. Chem. 1999, 20, 114

[2] Daniel H. Ess and Kendall N. Houk, J. Am. Chem. Soc. 2007, 129, 10646

[3] Israel Fernandez and F. Matthias Bickelhaupt, Chem. Soc. Rev. 2014, 43, 4953

[4] F. Matthias Bickelhaupt and Kendall N. Houk, Angew. Chem. Int. Ed. 2017, 56, 10070

[5] Fang Liu, Yong Liang, and Kendall N. Houk, Acc. Chem. Res. 2017, 50, 2297

[6] Dennis Svatunek and Kendall N. Houk, J. Comput. Chem. 2019, 40, 2509

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-05-26,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量子化学 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Chem Sci|分子形变能量计算:南方科技大学钟龙华团队推出D2AF软件
人们开发了许多理论和模型来了解化学过程。例如,过渡态理论 (TST)和马库斯理论,以及基于轨道的理论如前线分子轨道 (FMO)、伍德沃德-霍夫曼规则、价键 (VB)、自然键轨道 (NBO)从轨道角度提供了对反应更直观的见解。由Houk和Bickelhaupt等人开创的Distortion/Interaction-Activation Strain,简称为D/IAS模型能分析化学反应速率。该模型结合了分子几何形变(畸变)和反应物之间的相互作用,来解释和预测化学反应的活化能。
智药邦
2025/02/10
1200
Chem Sci|分子形变能量计算:南方科技大学钟龙华团队推出D2AF软件
生化小课 | 酶促进了化学反应通路
所有生物大分子的热力学稳定性远低于其单体亚基,但它们在动力学上是稳定的:它们的非催化分解发生得很慢(几年而不是几秒钟),以至于在对生物体至关重要的时间尺度上,这些分子是稳定的。事实上,细胞中的每一个化学反应都以很快的速度发生,这仅仅是因为酶(enzymes)的存在——生物催化剂,与所有其他催化剂一样,极大地提高了特定化学反应的速度,而不会在过程中被消耗。
尐尐呅
2022/09/04
1.1K0
生化小课 | 酶促进了化学反应通路
研究自旋禁阻反应的新方法——多态自旋混合(MSSM)模型
大多数化学反应发生在基态势能面上(如图1(1)所示;注意:本文不关心光化学反应),但是,在有些反应特别是过渡金属参与的反应中,会涉及到多个自旋态。Shaik等人最早提出了“两态反应性”(two-state reactivity)的概念,这自然而然地又引申出“多态反应性”(multiple-state reactivity),见综述[1]。另一方面,根据多态反应过程中的反应物、过渡态、中间体、产物的自旋变化,又出现了自旋禁阻反应(见图1(2))和自旋加速反应(图1(3))的说法[2]。在文献中,讲自旋禁阻反应的比较多,其次是讲两态反应,其实只是关注问题的角度不同,都属于多态反应的特例。在本文中一律讲多态反应,但是为了照顾一些人的习惯,标题仍保留了自旋禁阻反应的说法。
用户7592569
2023/09/03
9770
研究自旋禁阻反应的新方法——多态自旋混合(MSSM)模型
借助势能面扫描寻找过渡态两例
寻找过渡态是研究化学反应机理中至关重要的步骤,但实际研究中,找过渡态往往不是一帆风顺。过渡态的结构优化对初始猜测十分敏感。过渡态是势能面上的一阶鞍点,是反应路径上的能量极大值点。而势能面扫描(《用高斯做势能面扫描(一):刚性扫描》《用高斯做势能面扫描(二):柔性扫描》)则是研究体系的能量随某结构参数变化的情况。因此,根据猜测的过渡态的结构变化模式,可以借助势能面扫描寻找一个能量高点,这个结构往往是过渡态的一个非常好的初始猜测。本文以J. Am. Chem. Soc. 2017, 139, 8251−8258一文Figure 10中的两个过渡态的寻找为例,说明如何借助势能面扫描来寻找过渡态。所有的计算使用Gaussian 16 C.01完成。
用户7592569
2021/03/16
3.6K1
借助势能面扫描寻找过渡态两例
MECP简介(4)——Application - When do we need MECP?
MECP作为不同自旋态的交叉点,自然是在涉及自旋交叉的反应中有着广泛的应用。这里不做展开讨论,只取一个较为经典的,N2在Mo(II)CpCl(PH3)2上配位的例子进行讨论。
用户7592569
2020/07/27
1.3K0
MECP简介(4)——Application - When do we need MECP?
用Gaussian寻找圆锥交叉点
圆锥交叉(conical intersection, CI)简言之是指两个态的势能面交叉的地方,此时两个态的能量简并。在圆锥交叉区域,体系可以从激发态以无辐射形式回到基态。关于圆锥交叉的更深入的理论细节可参考Conical intersections: theory, computation and experiment一书。此外,点击文末“阅读原文”可打开一份非常不错的关于光化学计算的讲义。如果打开速度较慢,可在留言区的百度网盘链接获得。
用户7592569
2020/09/10
5K0
Nat. Commun. | 计算速度远远优于DFT,NewtonNet推导ab initio海森矩阵用于过渡态优化
今天为大家介绍的是来自美国的Teresa Head-Gordon团队与Samuel M. Blau团队发表的一篇论文。识别过渡态——反应物和产物极小值之间的势能面鞍点——对于预测动力学障碍和理解化学反应机制至关重要。在本研究中,作者训练了一个完全可微分的等变神经网络势能,NewtonNet,针对数千个有机反应,并推导出分析性海森矩阵。通过将计算成本相对于密度泛函理论(DFT)ab initio源降低几个数量级,作者能够在每一步的鞍点优化中使用学习到的海森矩阵。作者展示了完全机器学习(ML)海森矩阵在240个未见过的有机反应中稳健地找到过渡态,即使初始猜测结构的质量降低,同时将收敛所需的优化步骤数相比于准牛顿DFT和ML方法减少了2-3倍。所有数据生成、NewtonNet模型和ML过渡态寻找方法均可在自动化工作流程中获取。
DrugAI
2024/12/05
1500
Nat. Commun. | 计算速度远远优于DFT,NewtonNet推导ab initio海森矩阵用于过渡态优化
使用UniMoVib进行GSVA广义子系统振动分析
简谐振动分析(harmonic vibrational analysis) 是量子化学计算中一项常用的技术手段。一方面,这种振动分析可以给出红外、拉曼等振动光谱。在最常用的高斯程序中,指定关键词freq则可以进行简谐振动分析。如果加上谐振频率校正因子,计算得到的振动频率可以更接近实验测量频率值。相关内容可参见《红外光谱的理论计算》一文。因此简谐振动分析可以以一个较低的计算代价得到质量还不错的振动光谱,但如果需要更精确的振动光谱,则需要考虑非谐振效应。另一个方面,简谐振动分析可以帮助我们确定结构优化过的体系在势能面上驻点(stationary point)的性质。假如振动分析得到的振动频率都是正值,那么此时体系位于能量局部极小点处。假如分析得到的振动频率有一个是虚频而其余都是正值,说明此时体系在一个鞍点上(即反应过渡态)。
用户7592569
2021/06/16
7720
使用UniMoVib进行GSVA广义子系统振动分析
用Gaissian16中的GIC功能实现翻转过程的势能面扫描
势能面扫描前需要用户对扫描坐标有一个明确的定义。在Gaussian 16的广义内坐标(GIC)功能出现之前,我们只能对一些简单的结构参数,如笛卡尔坐标、键长、键角、二面角做势能面扫描。GIC的出现让我们可以定义更加复杂的扫描坐标。
用户7592569
2020/11/06
2.1K0
用Gaissian16中的GIC功能实现翻转过程的势能面扫描
mLife|华东师范大学张鲁嘉团队:高效的酶智能设计平台NAC4ED
计算方法包括分子对接、分子动力学、量子力学和多尺度QM/MM方法等,已被广泛用于研究酶催化机制和酶的设计。但这些会涉及大量手动操作,这显然对高通量方式模拟酶和突变体是不友好的。
智药邦
2025/01/07
4620
mLife|华东师范大学张鲁嘉团队:高效的酶智能设计平台NAC4ED
Adv. Mater. | 量子化学与机器学习在能量与性质预测上的演变
今天为大家介绍的是来自多伦多大学的Alán Aspuru-Guzik团队的一篇论文。计算化学是理解分子和预测化学性质的重要工具。然而,由于求解薛定谔方程的困难以及随着分子系统规模增加而带来的计算成本的增加,传统的计算方法面临着重大挑战。为此,利用人工智能(AI)和机器学习(ML)技术进行计算实验引起了极大的兴趣。将AI和ML引入计算化学可以提高化学空间探索的可扩展性和速度。然而,在ML模型的可重复性和可转移性方面挑战依然存在。这篇综述强调了ML在学习、补充或替代传统计算化学以进行能量和性质预测方面的演变。从完全基于数值数据训练的模型开始,向着包含或学习量子力学物理规律的理想模型迈进。本文还回顾了现有的计算方法和ML模型及其相互结合,概述了未来研究的路线图,并确定了改进和创新的领域。最终目标是开发能够预测薛定谔方程准确且可转移解的AI架构,从而彻底变革化学和材料科学中的计算实验。
DrugAI
2024/07/16
2760
Adv. Mater. | 量子化学与机器学习在能量与性质预测上的演变
机器学习学术速递[6.17]
【1】 Data Augmentation for Graph Convolutional Network on Semi-Supervised Classification 标题:基于半监督分类的图卷积网络数据增强
公众号-arXiv每日学术速递
2021/07/02
1.7K0
机器学习学术速递[6.24]
【1】 From Canonical Correlation Analysis to Self-supervised Graph Neural Networks 标题:从典型相关分析到自监督图神经网络
公众号-arXiv每日学术速递
2021/07/02
1.1K0
机器学习学术速递[10.19]
【1】 Beltrami Flow and Neural Diffusion on Graphs 标题:图上的Beltrami流与神经扩散 链接:https://arxiv.org/abs/2110.09443
公众号-arXiv每日学术速递
2021/10/21
2K0
机器学习学术速递[6.29]
【1】 DGL-LifeSci: An Open-Source Toolkit for Deep Learning on Graphs in Life Science 标题:DGL-LifeSci:面向生命科学图形深度学习的开源工具包
公众号-arXiv每日学术速递
2021/07/02
2K0
相关推荐
Chem Sci|分子形变能量计算:南方科技大学钟龙华团队推出D2AF软件
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档