QM/MM方法研究溶剂效应对立体选择性反应的影响

The pre-work of our group on the reactions of stable sulfur ylides and nitroolefins sequentially catalyzed by thiourea and DMAP using DFT/PCM model, shows some difference between the experimental results and the theoretical results. This could be arised from the inaccurate PCM solvent model. In this subject, the QM/MM method will be used to model the entropy effect of the solvent; the minimized free energy path of the key step of the reaction will be calculated and used to discuss the stereoselectivity of the reaction. The molecular dynamics will be used to study the distribution of the solute, and to find out whether the solute-solvent cluster present or not, if so, find out the effect of this kind of cluster. Using the latest method developed by our group based on non-orthogonal localized molecular orbital to develop a new method to investigate the charge transfer between the solute and solvent, as well as its effect on the solvent effect. It is expected to improve the understanding of the influence of solvent effects on the reaction process after the end of this project.

本课题组前期工作发现DFT/PCM模型对于硫脲与DMAP催化的硝基烯烃与硫叶利德的立体选择性反应计算结果与实验结果不完全一致，推测是由于对溶剂效应的模拟存在偏差导致的。本项目拟采用QM/MM方法来考察溶剂的熵效应对反应的影响，计算反应中关键步骤的最小自由能路径，由最小自由能路径来讨论反应的立体选择性；同时，拟采用分子动力学方法研究溶质分子在溶剂中的分散情况，考察溶液中是否存在Cainelli等人提出的溶质-溶剂团簇，以及这种团簇对于反应的影响；拟结合课题组在非正交定域分子轨道方法的最新成果，开发新的方法来研究溶质-溶剂分子间的电荷转移效应在溶剂效应中的影响。本项目的完成有望提高对溶剂效应在反应过程的影响的认识。

本项目包括光催化反应机理理论研究和线性标度程序开发两个部分。对理论机理研究部分从原来的研究立体选择性反应调整为光催化反应过程中的选择性，溶剂如何影响反应朝氧化方向还是还原方向进行，以及在还原反应过程中的选择性。结果表明，溶剂分子在光催化过程中起重要作用，表现在两个方面，一方面是对反应产生的中间体起稳定作用，另一方面是直接参与反应，在反应中起到提供质子的作用，不同溶剂提供质子能力的不同，导致了在不同溶剂中，对溴苯甲醛被光催化还原成不同的产物。. 对溶剂以及溶剂中的溶解氧对于光催化氧化或还原选择性影响的研究结果表明，溶剂分子与光催化过程中产生的活性中间体（如OH自由基）发生反应的可能性，以及是否存在溶解氧竞争对光生电子的捕获，将决定在光催化过程中，反应向氧化方向还是还原方向进行。. 利用TiO2团簇模型研究光催化对溴苯甲醛在乙腈溶液和乙醇溶液中的选择性还原反应研究结果显示，在乙腈溶液中，由于乙腈溶液不是一种好的质子给体，对溴苯甲醛的还原产物为苯甲醛；而在乙醇溶液中，醛基的还原更有优势，对溴苯甲醛还原产物为对溴苯甲醇。该结果表明了在纳米材料光催化还原过程中，溶剂对于反应选择性的重要影响。. 在基于非正交定域分子轨道线性标度方法开发方面，对杨伟涛教授发展的Divide-and-Conque方法进行了改进，将原来基于密度矩阵的方案改为基于非正交定域分子轨道的方案，在共轭体系中，基于非正交定域分子轨道的Divide-and-Conque（DCNOLMO）方法的计算精度比Divide-and-Conque提高2-3个数量级， 而在其他已经测试过的体系中，计算精度至少提高了1个数量级。