Entwicklung und Anwendung verbesserter Deskriptoren für Computer-gestütztes Katalysatordesign

• Antragstellerin: Professorin Dr. Viktoria H. Däschlein-Geßner, seit 6/2023
• Fachliche Zuordnung: Organische Molekülchemie - Synthese, Charakterisierung ; Anorganische Molekülchemie - Synthese, Charakterisierung
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497260357

Die Entwicklung neuer Übergangsmetallkatalysatoren und der dafür erforderlichen Liganden ist von entscheidender Bedeutung für die organische Synthesechemie und maßgebender Faktor für die Entwicklung neuer Reaktionen sowie der Verbesserung bestehender Syntheseprotokolle, um beispielsweise höhere Selektivitäten oder Umsätze zu erzielen. Die Entwicklung maßgeschneiderter Liganden für die spezifischen Anforderungen unterschiedlicher Reaktionen ist dabei ein äußerst Zeit- und Kosten-intensiver Prozess. Um das Design neuer effizienter Liganden zu optimieren und zu beschleunigen, können mittels der Aufklärung von Struktur-Aktivitäts-Beziehungen Ligandeigenschaften gezielt angepasst werden. Die einfache Verwendung einzelner Parameter (Deskriptoren) zur Quantifizierung sterischer und elektronischer Ligandeigenschaften erwies sich jedoch als zu eindimensional, um die komplexen Struktur-Aktivitäts-Beziehungen verlässlich quantitativ zu beschreiben. Mit Hilfe von multivariaten Regressionsanalysen sowie der Anwendung von Machine Learning Ansätzen konnten kürzlich erste Fortschritte in der Vorhersage idealer Liganden gemacht werden. Ziel dieses Forschungsvorhabens ist die Realisierung eines inversen Katalysatordesigns mit Hilfe von Machine Learning Methoden. Dies soll zunächst anhand des Designs neuer Phosphanliganden für Palladium- und Nickel-katalysierte Kreuzkupplungsreaktionen umgesetzt werden. Um dies zu realisieren, sollen im ersten Schritt neue Deskriptoren zur verbesserten Beschreibung der Liganden und ihren Eigenschaften entwickelt werden. Diese sollen zum einen die Konformationsflexibilität von Liganden besser erfassen und zum anderen zusätzliche sekundäre Metall-Ligand-Wechselwirkungen quantifizieren. Beide Eigenschaften wurden wiederholt als entscheidende Faktoren für die Aktivität unterschiedlicher Katalysatorsysteme nachgewiesen, werden jedoch durch bisherige Deskriptoren nicht oder nur unzureichend abgebildet. Die neuen Deskriptoren sollen mittels quantenchemischer Rechnungen einfach zugänglich sein und damit ein Breitband-Screening unterschiedlicher Strukturen ermöglichen. Ihre Validität soll anhand von experimentellen Studien verifiziert werden, um anschließend eine verlässliche Vorhersage der für die jeweilige Reaktion entscheidenden Ligandeigenschaften zu ermöglichen. Dazu sollen die Deskriptoren auf die einzelnen Substituenten heruntergebrochen werden, um Vorhersagen neuer Ligandstrukturen zu ermöglichen. Die Anwendbarkeit der entwickelten Deskriptoren zur Vorhersage neuer Ligandstrukturen soll im letzten Schritt anhand ausgewählter Testreaktionen aufgezeigt werden, wie bspw. Der selektiven Monoarylierung von Ammoniak oder der chemoselektiven Kupplung von Chloraryltriflaten. Ausgehend von experimentellen Daten sollen mittels Machine Learning Methoden ideale Ligandsubstituenten ermittelt und so neue Katalysatoren vorhergesagt werden.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2363: Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen
• Ehemaliger Antragsteller: Dr. Tobias Gensch, bis 5/2023