Xreferat.com » Рефераты по химии » Расчет квантово-химических параметров ФАВ и определение зависимости "структура-активность" на примере сульфаниламидов

Расчет квантово-химических параметров ФАВ и определение зависимости "структура-активность" на примере сульфаниламидов

большими объемами вычислений.

Часто необходимые сведения могут быть получены с помощью значительно более простых методов. Одним из таких методов является оценка прогнозирующей способности отдельных признаков. Прогнозирующие способности отдельных признаков могут быть рассчитаны с помощью следующего алгоритма:

1. Значения дескрипторов упорядочиваются по возрастанию.

2. Начиная с наименьшего значения, отмечают количество элементов на класс, превышающее и не достигающее этого значения.

3. Выбирают следующее по величине значение дескриптора и повторяют расчеты до тех пор, пока не будут перебраны все значения данного дескриптора.

4. Отмечают наибольший процент правильных предсказаний для всей выборки и для каждого класса.

При отборе отдельных признаков полезно сопоставить значения различных статистических характеристик системы. Так, для каждого класса без труда могут быть рассчитаны выборочное среднее, стандартное отклонение, наибольшее значение, наименьшее значение и общее количество отличных от нуля значений. Таким образом, можно составить представление об информативности анализируемых данных, а также решить вопрос о том, оправдано ли включение в систему данного дескриптора.

Еще одним полезным критерием является коэффициент корреляции. Сильно коррелированные дескрипторы могут содержать в сущности одну и ту же информацию. Если несколько дескрипторов сильно коррелированны, то можно оставить какой-либо один из них при условии, что после такого отбора общее количество информации не изменится.

Многомерный скейлинг и нелинейное отображение

Очень часто рассматриваемое преобразование приводит к тому, что множества векторов-образов, не пересекавшиеся в исходном пространстве, начинают пересекаться в пространстве меньшей размерности. Этот недостаток вызывает затруднения при объяснении структуры данных. Его можно преодолеть с помощью других, нелинейных методов понижения размерности.

К ним относятся методы нелинейного отображения и многомерного скейлинга. Основная идея заключается в отыскании такой проекции в дву- или трехмерном пространстве, которая походила бы на исходное изображение. Можно использовать различные критерии сходства, однако чаще всего для этой цели используют расстояние. Обычно расстояние измеряют в евклидовой метрике, но в случае необходимости можно применить и другие метрики. Ошибка такого преобразования будет измеряться разностью расстояний в новом и старом представлениях.

Удобно описывать разность между новым и старым расстояниями с помощью такой функции критерия, которая была бы инвариантной по отношению к искажениям конфигурационных многогранников, а также к растяжениям векторов.

Помимо всего прочего многомерный скейлинг дает удобный метод визуального представления структуры данных. Это часто помогает подобрать наиболее подходящий к данному случаю метод классификации. Сфера применения методов скейлинга не ограничивается только предварительной обработкой. Если при нелинейном отображении не возникает существенных искажений исходных данных, классификация может быть проведена самим исследователем путем визуального анализа отображений на пространство низкой размерности.

Классификация

Представление о кластеризации объектов в пространстве информативных измерений является центральным в приложениях методов распознавания образов. Нахождение такого преобразования, с помощью которого можно кластеризовать исследуемую выборку и в результате получить классы объектов, обладающих заданным свойством, является общей целью процедур измерения, предварительной обработки и априорного отбора признаков. По существу, распознавание образов является методом выявления сходства между исследуемыми объектами. В результате классификации отыскиваются некоторые соотношения, характеризующие это сходство. Существует много различных методов классификации, однако в фармакологических приложениях преимущественно используются непараметрические методы. Для понимания основ непараметрических методов необходимо небольшое введение в теорию параметрических методов.

Параметрические методы классификации основаны на байесовской статистике. Эти методы формируют классификационное правило непосредственно из вероятностного распределения данных. Вид вероятностного распределения данных зависит от типа и числа датчиков, методов предварительной обработки и отбора признаков. Цель классификации заключается в максимальном увеличении доли правильных классификаций путем построения функции, определяющей границы между различными классами.

Классификатор может быть построен непосредственно из формулы Байеса


Расчет квантово-химических параметров ФАВ и определение зависимости "структура-активность" на примере сульфаниламидов

В этом соотношении X - вектор-образ, компоненты которого получены в результате работы различных датчиков. Численные значения этих компонент определяют распределение данных в N-мерном пространстве. Функция Р (Х) описывает распределение данных независимо от того, к какому классу они принадлежат. Р (Расчет квантово-химических параметров ФАВ и определение зависимости "структура-активность" на примере сульфаниламидов) — вероятность наблюдения класса Wi. Р(W/X) - условная вероятность того, что вектор X принадлежит классу Wi. P(X/Wi) — условная вероятность того, что из класса Wi будет выбран объект, описываемый вектором-образом X.


1.2.3 Методы кластеризации

Понятие о кластеризации - одно из наиболее привлекательных в классификационной задаче. Этот подход естественным образом возникает из геометрической интерпретации задачи. Смысл метода кластеризации ясен из приведенного выше примера, в котором мы искали границу, отделяющую кластер нормальных клеток от кластера аномальных клеток. Поскольку в этой задаче мы имели дело с системой низкой размерности, то достаточно было ограничиться визуальными методами построения разделяющей поверхности. Следовательно, необходимо разработать систематический подход, позволяющий дать более строгое определение кластера.

Есть несколько алгоритмов разделения множества исходных данных на кластеры. В большинстве из этих алгоритмов при выполнении кластеризации в качестве меры близости объектов используются различные способы определения расстояний. Использование расстояния в качестве меры близости является естественным, если учесть, что исследуемые объекты изображаются точками в евклидовом пространстве. Однако критерии, основанные на том или ином способе определения расстояния, являются только одним из возможных способов определения кластеров. Хартиган [18] указал шесть типов алгоритмов кластеризации, отличающихся друг от друга способами выделения кластеров.

1.Сортировка

Объекты разделяются на кластеры в соответствии со значениями, которые принимает какой-либо существенный признак, характеризующий объекты. Затем внутри выделенных таким образом кластеров проводится дальнейшая сортировка путем анализа значений другого признака и т. д.

2.Перегруппировка

Задается некоторое начальное распределение объектов по кластерам. Далее объекты перемещают из одного кластера в другой в соответствии с каким-либо критерием, например величиной стандартного отклонения для данного кластера. Алгоритмы перегруппировки отличаются высокой скоростью, однако конечный результат иногда зависит от вида начального распределения.

3. Объединение

Сначала каждый объект исходной выборки данных выделяется в отдельный кластер. Далее отыскивается пара кластеров с наименьшим межкластерным расстоянием и объединяется в один кластер большего размера. Этот процесс продолжают до тех пор, пока не будет выполняться некоторое условие оптимальности или все объекты не окажутся в одном кластере. Для больших выборок, включающих более 1000 элементов, этот алгоритм неэкономичен, и определение оптимальных условий требует привлечения некоторых аппроксимаций.

4. Разбиение

Алгоритмы разбиения полностью противоположны алгоритмам объединения. В этих алгоритмах исходная выборка данных последовательно разбивается на все более мелкие кластеры в соответствии с некоторыми правилами (минимальный или максимальный размер, стандартное отклонение и т. д.). Трудности, возникающие при реализации этих алгоритмов, обычно связаны с выбором формы функций разбиения.

5. Добавление

Эти алгоритмы работают путем добавления элементов выборки в уже существующие кластеры. Ограниченность этих алгоритмов очевидна.

6. Поиск

Алгоритмы поиска обычно применяются к тем системам, для которых в результате математического анализа исключены многие из возможных способов разбиения на кластеры. С помощью этих алгоритмов производится такая оптимальная кластеризация системы, которая приводит к минимуму функции ошибок.

Существует много различных алгоритмов, однако ни один из них не приспособлен для решения любой из возникающих задач. Некоторые алгоритмы, например алгоритм ISODATA Болла и Холла [19,20] может осуществлять процедуры добавления, поиска, объединения и разбиения. Такие алгоритмы имеют более широкую область применения, однако ни один из них не является универсальным. К тому же многие алгоритмы являются эвристическими по своей природе, и поэтому успех их реализации, в конечном счете, зависит от мастерства исследователя. И наконец, последний недостаток методов кластеризации заключается в том, что иногда возникают трудности с отнесением неизвестного объекта к одному из уже имеющихся классов.

Несмотря на недостатки, методы кластеризации могут оказаться полезными для упорядочения систем, которые на первый взгляд кажутся совершенно неупорядоченными. Отметим также, что методы кластеризации необязательно требуют предварительной группировки объектов исследуемой выборки на классы. Алгоритмы кластеризации могут использоваться для выделения классов в выборках, способ классификации которых неочевиден. Как показано выше, алгоритмы кластеризации, основанные на различных способах определения расстояния, могут использоваться для расчета критериев подобия, для выделения существенных признаков и для преобразования исходных данных к виду, более удобному для дискриминантного анализа.

1.2.4 Программа PASS C&T

Знание известных биологически активных соединений и аналитические возможности даже самого лучшего из химиков - ограничены, и поэтому помощь специальной компьютерной системы в получении оценок по возможным видам биологической активности для различных классов соединений была бы полезной. Идея создания компьютерной системы прогноза биологической активности, на первый взгляд, выглядит достаточно просто: нужно собрать всю известную информацию о биологически активных соединениях, создать на этой основе обучающую выборку, провести анализ связей "структура-активность" для веществ из обучающей выборки и построить соответствующие зависимости. "Подставив" в эти зависимости данные о структуре нового вещества, можно получить в результате оценку его биологической активности.

Правда, традиционные подходы к анализу количественных соотношений "структура-активность" (КССА) применимы к соединениям одного и того же химического класса и, как правило, оперируют с одним видом биологической активности. Можно ли разработать подобные методы для веществ, гетерогенных как по химической структуре, так и по проявляемому ими биологическому действию?

Предложение предсказывать подобным образом спектр биологической активности вещества было впервые высказано в начале 70-х годов к.х.н. В.В. Авидоном c сотрудниками, работавшими тогда в НИИ по биологическим испытаниям химических соединений. В.В. Авидоном, совместно с к.х.н. В.Г. Блиновой, к.м.н. Е.М. Михайловским, Р.К. Казарян, к.ф.-м.н. В.С. Ароловичем и др., были разработаны оригинальные языки описания химической структуры, Тезаурус (структурированный словник) по биологической активности химических соединений, математические методы установления зависимостей "структура-активность" и прогноза свойств новых веществ; создан банк данных по биологически активным соединениям (обучающая выборка). На этой основе были осуществлены первые эксперименты по прогнозированию спектра биологической активности по структурной формуле вещества.

За истекшее двадцатилетие методы, первоначально предложенные для прогноза спектра биологической активности, претерпели существенные изменения. Эти изменения базируются как на теоретическом анализе методики прогнозирования, так и на имеющемся опыте ее применения для поиска веществ с требуемыми свойствами.

Современная версия компьютерной системы предсказания спектра биологической активности PASS C&T (Prediction of Activity Spectra for Substances: Complex & Training) реализована в 1998 году. Она включает в себя обучающую выборку, содержащую более 30000 биологически активных веществ с известной биологической активностью, и охватывает более 400 фармакологических эффектов, механизмов действия, а также мутагенность, канцерогенность, тератогенность и эмбриотоксичность.

Математический подход, используемый в PASS C&T, выбран Д.А. Филимоновым в результате сравнительного анализа 300 различных методов. Показано, что средняя точность прогноза с помощью PASS C&T при скользящем контроле с поочередным исключением по одному соединению из обучающей выборки составляет около 84%.

Результаты прогноза выдаются либо в виде текстового файла, который может в дальнейшем обрабатываться с помощью различных текстовых процессоров, либо в виде SDF файла, который может импортироваться в ISIS/Base и добавляться к имеющейся в базе данных информации о веществах. Далее обработка результатов прогноза осуществляется стандартными программными средствами, имеющимися в ISIS/Base.

Биологическая активность описывается в PASS C&T качественным образом ("да"/"нет"). Выдаваемые результаты прогноза помимо названий активности включают в себя оценки вероятностей наличия (Pa) и отсутствия каждой активности (Pi), имеющие значения от 0 до 1. Поскольку эти вероятности рассчитываются независимо, их сумма не равна единице.

Пример предсказания спектра биологической активности для препарата талидомид приведен ниже. Как видно из рисунка, известные для данного вещества виды активности (анксиолитическая, седативная, снотворная, тератогенная, модулятор цитокинов, ингибитор ангиогенеза, антагонист фактора некроза опухоли) содержатся в прогнозируемом спектре активности. Помимо этого, прогнозируется также ряд дополнительных видов активности – сердечно - сосудистый аналептик, антагонист нейрокинина, ингибитор кальпаина, и другие - которые указывают перспективные направления дальнейшего тестирования данного препарата.

Необходимо подчеркнуть, что для эффективного использования данные компьютерного прогноза должны рассматриваться специалистами с учетом имеющейся дополнительной информации.

Так, если целью исследования является поиск базовых структур лекарств, обладающих существенной, целесообразно отбирать из массива доступных веществ не те структуры, для которых величина Pa близка к единице (они могут оказаться близкими аналогами известных препаратов), а соединения с Pa<0.7. Риск получения отрицательного результата в эксперименте тем больше, чем меньше величина Pa, однако и новизна такой структуры (при подтверждении прогноза в эксперименте) будет более высокой.

Наоборот, если поставлена цель поиска близкого аналога известного препарата, то из массива имеющихся образцов следует отобрать вещества с наибольшими значениями Pa.

Кроме того, если, наряду с основным действием, известен перечень нежелательных побочных эффектов, то при отборе перспективных для исследований соединений можно руководствоваться комбинированным критерием:

- наличие в прогнозируемом спектре требуемых эффектов/механизмов;

- отсутствие нежелательных эффектов/механизмов.

Естественно, что при рассмотрении всего списка, включающего свыше 400 прогнозируемых видов активности, можно составить большое количество комбинаций из требуемых и нежелательных эффектов. Для их анализа сотрудник Лаборатории структурно-функционального конструирования лекарств НИИ Биомедхимии РАМН А.А. Лагунин разработал специальную компьютерную систему интерпретации спектров биологической активности веществ IBIAC, основанную на знаниях об известных взаимосвязях между фармакологическими эффектами и механизмом действия биологически активных веществ (более 2000 терминов, описывающих биологическую активность). С использованием системы IBIAC генерация перечня эффектов, соответствующих определенному механизму действия и, наоборот, списка вероятных механизмов, ответственных за проявление определенного эффекта, осуществляется автоматически.

Поскольку прогноз спектра биологической активности осуществляется на основе структурной формулы химического соединения, он может быть выполнен уже на этапе планирования синтеза. В итоге будут синтезированы лишь некоторые из теоретически возможных производных, в наибольшей степени удовлетворяющие критериям задачи.

Необходимо отметить, что прогноз спектра биологической активности возможен для низкомолекулярных органических соединений, структура которых не отличается принципиально от веществ обучающей выборки. Не имеет смысла прогноз для синтетических и биополимеров, для неорганических веществ и т.п.

Другое ограничение определяется необходимостью наличия не менее 5 веществ с известной активностью для формирования обучающей выборки. Очевидно, что в случае принципиально новых мишеней действия лекарственных препаратов, для которых имеются данные только об 1-2 лигандах, предсказание биологической активности таким методом не может быть реализовано.

Химическая структура и часть прогнозируемого спектра биологической активности для препарата талидомид (жирным шрифтом выделены активности, известные из эксперимента).

PASS CT 1.11 - Prediction of Activity Spectra for Substances

Copyright (c) 1998 V.V.Poroikov, D.A.Filimonov & Associates

Chemical Structure File: thalido.mol, <ACTIVITY_PREDICTION>

24 Substructure descriptors; 0 new, 84 Possible activities.

Pa Pi Activity

0.781 0.006 Cytokine modulator

0.713 0.019 Sedative

0.678 0.030 Cardiovascular analeptic

0.656 0.015 Angiogenesis inhibitor

0.439 0.007 Neurokinin antagonist

0.435 0.008 Calpain inhibitor

0.433 0.009 Oxytocin antagonist

0.443 0.024 Chemoprotective

0.421 0.011 Tumour necrosis factor antagonist

0.398 0.007 Hypnotic

0.439 0.050 NMDA agonist

0.407 0.028 Bronchodilator

0.430 0.059 Psychotropic

0.417 0.054 Anxiolytic

0.370 0.007 Protein kinase C inhibitor

0.428 0.068 Anticonvulsant

0.421 0.062 Teratogen

0.361 0.008 Antidiabetic symptomatic

0.377 0.035 Cardioprotectant

0.336 0.012 Benzodiazepine agonist partial

0.362 0.052 Spasmolytic, urinary

0.364 0.060 Analeptic

0.360 0.060 Nootropic

0.305 0.008 Uterine Relaxant

0.375 0.086 Septic shock treatment

0.385 0.102 Platelet adhesion inhibitor

В случае существенной по отношению к соединениям обучающей выборки новизны химической структуры прогнозируемого вещества (более 3-х дескрипторов ни разу не встретились в обучающей выборке) результаты прогноза могут иметь значительную погрешность. В этом случае целесообразно протестировать вещество на требуемые виды активности независимо от результатов прогноза, так как результатом может оказаться принципиально новая базовая структура.

В некоторых случаях вещество прогнозируется одновременно как агонист и антагонист (стимулятор и блокатор, активатор и ингибитор) по отношению к одним и тем же рецепторам (ферментам и т.п.). Это означает, что система не может дифференцировать внутреннюю активность вещества, а лишь указывает на его способность к связыванию с данным рецептором (ферментом).

И, наконец, необходимо иметь в виду, что система PASS C&T не может предсказать, станет ли конкретное вещество лекарственным препаратом, поскольку это будет зависеть также от многих других факторов (сравнительной оценки безопасности и клинической эффективности; наличия необходимых для разработки и внедрения инвестиций, и т.д.). Прогноз, однако, может помочь определить, какие тесты наиболее адекватны для изучения биологической активности конкретного химического вещества, и какие вещества из имеющихся в распоряжении исследователя наиболее вероятно проявят требуемые эффекты. [19]


1.3 Вывод


В этом и предыдущем разделах было дано краткое описание использовавшихся и используемых квантовохимических методов. Более детальное знакомство с ними практически не требуется для решения практических задач. Это связано с тем, что на основе анализа приближений, сделанных при разработке того или иного квановохимического метода, как правило, не удается установить область его применения и очертить круг задач, которые можно решить с его помощью. К сожалению, многие квантовохимические методы, которые лучше обоснованы с теоретической точки зрения, на практике дают плохие результаты и поэтому не применяются, а более грубые модели с удачно подобранными параметрами широко используются. Это связано с тем, что в любом квантовохимическом методе сделано достаточно много различных приближений. В некоторых методах ошибки, к которым приводят эти приближения, частично компенсируют друг друга и в результате получается хорошее согласие с экспериментом. Сказать заранее, будет или не будет иметь место такая компенсация нельзя, поэтому выяснить область применения и охарактеризовать точность конкретного метода можно лишь на основе численного эксперимента и систематизации опубликованного расчетного материала.


Глава 2. ВЫЧИСЛЕНИЕ ГЕОМЕТРИИ ОРГАНИЧЕСКИХ СОЕДИНЕНИЙ


2.1 Квантовохимические методы расчета


Данные статистического анализа результатов квантовохимических расчетов геометрических параметров стабильных органических молекул небольшого размера, содержащих одинарные и кратные связи, приведены в таблице 1.1 приложения А, показано, с какой точностью можно рассчитать геометрию молекул неэмпирическим методом и как меняются результаты расчетов в зависимости от выбора базиса. Обращает на себя внимание хорошее согласие с экспериментом, которое получается при использовании минимального и валентно - расщепленных базисов.

Сложнее обстоит дело с расчетом валентных углов. Если у молекулы нет неподеленных электронных пар, то расчет в валентно - расщепленном базисе приводит к хорошему согласию с экспериментом, но для расчета валентных углов в молекулах с неподеленными электронными парами в базис необходимо включить поляризационные орбитали.

Наряду с неэмпирическими методами для вычисления геометрии органических молекул широко используются и полуэмпирические методы. Среди них наиболее точные результаты для большинства типов соединений дают методы АМ1, МПДП и МЧПДП/3. Методом МПДП получается хорошее согласие с экспериментом практически для всех геометрических параметров молекул (см. табл. 1.2 приложение А).


2.1.1 Расчет потенциалов ионизации

Потенциалы ионизации органических молекул обычно вычисляют по теореме Купманса, которая связывает ПИ электрона с энергией хартри – фоковской орбитали исходной молекулы с замкнутой оболочкой. Для большинства соединений расчеты в этом приближении дают удовлетворительное согласие с экспериментальными вертикальными ПИ и поэтому широко используются для интерпретации данных фотоэлектронной спектроскопии. Кроме того, расчеты ПИ оп теореме Купманса используются для изучения реакционной способности некоторых органических соединений.

Наибольшее количество опубликованных расчетов ПИ выполнено методами МЧПДП/3 и МПДП. В таблице 1.3 приложения А приведены результаты расчетов ПИ методом МПДП.

Основное правило при расчете ПИ: если верхняя занятая молекулярная орбиталь у молекулы вырождена или почти вырождена, то механические деформации, которые снижают симметрию молекулы и снимают вырождение, приводят к уменьшению ее ПИ.


2.1.2 Расчет индексов реакционной способности

Энергию межмолекулярного взаимодействия при сближении реагентов можно условно разбить на вклады трех типов: кулоновские, орбитальные и стерические. Энергия кулоновского взаимодействия зависит от распределения электронной плотности или от зарядов на атомах реагентов. Поэтому для некоторых реакций удается найти корреляцию между зарядами на атомах и выходом конечных продуктов реакции. Так, нуклеофильные реагенты присоединяются преимущественно к атомам, на которых локализованы большие положительные заряды, а электрофильные наоборот, - к атомам, на которых локализованы большие отрицательные заряды.

Корреляции между выходом конечных продуктов реакции и зарядами на атомах широко используются для объяснения экспериментальных данных. Обычно при вычислении заряда на атоме в квантовой химии пользуются анализом электронных заселенностей, предложенным Малликеном. В этом приближении заряд на атоме вычисляется по следующей формуле:


Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов


Здесь сумма берется по всем орбиталям i и j атома А; ZA – заряд ядра; Pij – матрица зарядов и порядков связей; Sij – матрица интегралов перекрывания. В полуэмпирических методах обычно пользуются упрощенной формулой:


Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов


Величины зарядов на атомах, вычисленные в этом приближении, в неэмпирических расчетах очень сильно зависят от выбора базиса, а в полуэмпирических – от выбора метода. Заряды на атомах, вычисленные в разных базисах и разными методами, могут различаться в 1,5 – 2 раза, но качественные результаты (знак и относительная величина заряда) обычно остаются одинаковыми. В неэмпирических расчетах заряды на атомах при расширении базиса обычно увеличиваются по абсолютной величине.


2.1.3 Вычисление теплот образования

Теплоты образования молекул являются фундаментальными термохимическими величинами. Однако их значение для многих органических соединений неизвестны, поэтому квантовохимические расчеты этих величин представляют большой интерес с точки зрения органической химии.

Параметры полуэмпирических методов МЧПДП/3 и МПДП подобраны так, чтобы наилучшим образом воспроизвести экспериментальные теплоты образования органических соединений при нормальных условиях. Средняя ошибка при вычислении теплот образования молекул методом МЧПДП/3 составляет 38 кДж/моль, а методом МПДП – 25 кДж/моль.

Сложнее вычислить теплоты образования и теплоты атомизации молекул неэмпирическими методами. Даже для небольших молекул неэмпирический расчет в базисе 6-31ГФ* приводит к ошибкам в теплотах образования, превышающим 100 кДж/моль. Это связано с неполнотой использованного базиса и неучетом энергии электронной корреляции. С увеличением размера молекулы ошибки в неэмпирически вычисленных теплотах образования хотя и возрастают, но в значительной мере носят систематический характер. Поэтому их можно уменьшить с помощью коррекции конечных результатов по аддитивной схеме.

Расчеты с эмпирически подобранными значениями параметров показали, что с их помощью можно уменьшить ошибку при вычислении теплот образования органических молекул: при использовании базиса ОСТ-3ГФ – до 45 кДж/ моль, а при использовании базисов 3-21ГФ и 6-31ГФ* - соответственно до 29 и 25 кДж/моль (табл. 1.4 приложения А).

Такие поправки нельзя использовать при расчете поверхностей потенциальной энергии, так как в ходе реакции всегда образуются структуры, в которых одни связи частично разорваны, а другие частично образованы, и нельзя сказать, между какими атомами есть валентная связь, а между какими ее нет. Однако поправки такого типа можно использовать для расчета тепловых эффектов реакций и для решения многих других прикладных задач.


2.1.4 Расчет тепловых эффектов органических реакций

Величина теплового эффекта позволяет оценить термодинамическую возможность протекания химической реакции или отдельной элементарной стадии. В общем случае теплота реакции не коррелирует с ее скоростью. Поэтому данные о тепловых эффектах широко применяются для изучения реакционной способности органических соединений. Следует, однако, отметить, что расчет тепловых эффектов для квантовой химии является весьма сложной задачей, так как эту величину необходимо знать с точностью до 4 кДж/моль (химическая точность).

Из полуэмпирических методов наиболее широко используются схему МЧПДП/3 и МПДП, причем метод МПДП дает более точные результаты. В таблице 1.6 приложения А приведены результаты расчетов этим методом тепловых эффектов некоторых реакций изомеризации. Из этих данных видно, что для некоторых реакций согласие теории с экспериментом хорошее, но в отдельных случаях ошибка получается очень большой.

Результаты неэмпирических расчетов тепловых эффектов органических реакций очень сильно зависят от выбора метода. В валентно – расщепленных базисах для реакций с участием насыщенных молекул ошибки составляют около 40 кДж/моль, но, если в молекуле есть кратные связи или молекулы являются напряженными, ошибки обычно увеличиваются приблизительно в 2 раза.

2.1.5 Расчет поверхностей потенциальной энергии

Для получения наиболее полной информации о механизме реакции необходимо вычислить многомерную поверхность потенциальной энергии (ППЭ), то есть рассчитать зависимость полной энергии от координат атомных ядер. Наиболее интересными и важными при изучении механизма реакции являются так называемые стационарные точки на ППЭ. Под этим термином понимают минимумы и седловые точки на ППЭ (рисунок 3.1.5.1, 3.1.5.2) В стационарных точках производные полной энергии по всем независимым координатам равны нулю.


Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов

Рисунок 2.1.5.1 Стационарные точки

а — минимум локальный или глобальный;

б — седловая точка

Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов

Рисунок 2.1.5.2 Простейшая ППЭ

Темные кружки – исходные

реагенты и продукты реакции;

крестик — переходное состояние.


В точке минимума полной энергии матрица вторых производных имеет только положительные собственные значения, а в седловой точке – одно отрицательное собственное значение. Минимумы полной энергии соответствуют устойчивым структурам и интермедиатам, а седловые точки – переходным состояниям.


Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов

Рисунок 2.1.5.3. Зависимость потенциальной энергии молекулы водорода от расстояния между атомами: 1 — расчет полуэмпирическим методом РМЗ; 2 — аппроксимация потенциалом Морзе.


Типичный вид простейшей двумерной ППЭ показан на рисунке 2.1.5.2. Здесь минимумы соответствуют исходным реагентам и конечным продуктам реакции, а седловая точка – переходному состоянию. Минимумы на рисунке соединены пунктирной линией, которая проходит по дну долины на ППЭ через седловую точку. Эта линия показывает путь реакции в двумерном пространстве или траекторию движения реагентов в ходе реакции. Для большинства реакций ППЭ имеют более сложный вид.

В таблицах 1.7 и 1.8 приложения А сопоставлены данные расчета параметров переходных состояний для реакций, изображенных на схемах 1 - 5, методами МПДП и КМПДП (метод МПДП с учетом электронной корреляции), неэмпирическим методом в приближении Хартри – Фока без учета и с учетом электронной корреляции.


Схема I Схема II Схемa III

Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов


Схема IV Схемa V

Расчет квантово-химических параметров ФАВ и определение зависимости &amp;quot;структура-активность&amp;quot; на примере сульфаниламидов


В

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: