林松等人Science：对映选择性催化的“非传统”优化策略- 大数跨境

X-MOL资讯

2023-05-23

导读：美国康奈尔大学林松教授带领的研究团队开发了一种通用性导向的催化剂非传统优化策略——使用一组底物而非单一模型底物来平行筛选催化剂，并在整个底物范围来评估催化剂的中位对映选择性

广泛的底物兼容性是对映选择性催化领域长期追求的目标之一。不过，该领域中的化学家在优化催化剂时，通常只会在反应中使用一种或数种底物，其中表现最好的催化剂再用于更广泛的底物。这种传统的优化策略易于操作，在较窄的底物范围内效果良好，但同时也会导致催化剂在更广泛底物范围表现出较低的选择性（图1A）。为了解决不对称催化过程中经常遇到的底物受限问题，科学家设想了一种将通用性作为催化剂开发主要目标的优化策略（即“一锅多底物”方法），具体而言：基于多样化的底物种类，对一个大型、多样化的催化剂库进行平行筛选，而非仅针对某一特定的模型底物。然而，此策略在化学相容性和产物分析方面带来了极大困难，并且在催化剂开发中的应用也受到限制。最近，Jacobsen等人开发了一种高通量手性分析方法，并将其应用于不对称 Pictet-Spengler反应（Nature, 2022, 610, 680，点击阅读详细）。N-O自由基（aminoxyl radical）是一类稳定的自由基，能通过中间体氧化胺盐离子氧化多种官能团（如醇、胺和烯烃），但因该类催化剂的合成和修饰等问题导致对映选择性转化极为稀少。如图1B所示，Bobbitt、Rychnovsky、Iwabuchi等人分别报道了不对称醇氧化的先例，但是催化剂难以合成且底物范围十分受限。最值得注意的是，Toniolo等人证明氧化胺盐离子和肽骨架相互兼容，并观察到具有中等选择性的单一醇底物的动力学拆分（KR）。

近日，美国康奈尔大学林松教授带领的研究团队开发了一种通用性导向的催化剂非传统优化策略——使用一组底物而非单一模型底物来平行筛选催化剂，并在整个底物范围来评估催化剂的中位对映选择性。他们将这种策略用于meso-二醇氧化去对称化反应的N-O自由基催化优化，所得肽基催化剂具有高选择性、广泛的底物兼容性和良好的催化活性（turnovers > 100,000）。具体而言：作者设计并合成了aminoxyl单体（Azc-OMe，图1C），其中与aminoxyl相邻的甲酯能够快速与肽骨架结合，进而合成超过70种手性aminoxyl肽。该策略通过一组底物而非单一模型底物进行筛选，关键在于合理调节催化剂中含有不同aminoxyl活性残基的肽序列（图1C）。相关成果发表在Science 上，林松教授和美国耶鲁大学的Scott J. Miller教授、犹他大学的Matthew S. Sigman教授为通讯作者。

图1. 肽基N-O自由基对映选择性催化，通用性导向的优化策略。图片来源：Science

如图2A所示，二醇去对称化的传统方法主要是先氧化其中一个羟基，然后用另一个羟基进攻醛生成手性乳醇（H），最后经第二次氧化产生内酯（L）。基于此，作者采用传统的优化方法（即以1,4-二醇 S1为底物、三氯异氰尿酸（TCCA）为末端氧化剂、碳酸氢钠为碱）来筛选，结果显示肽P1可以75% ee值获得内酯L1。然而，当以P1为最佳催化剂探索其它不同空间和电性分布的1,4-二醇时，产物的对映选择性显著降低，并且ee值的中位数（ee_med）仅为16%（图2E）。为此，作者利用24孔板平行筛选和气相色谱分析，通过高通量实验（HTE）评估了多样化的肽催化剂。另外，作者通过计算所有市售二元醇的分子描述符并应用降维技术来实现底物的多样化，并将其划分为两个二醇簇（共14种）：即较大的簇代表双取代二醇，较小的簇由2,2,3,3-四取代的1,4二醇组成。基于计算数据，作者又确定了具有不同环尺寸的8个单环（S1、S3、S5、S6、S9、S13-15）和5个多环（S2、S4、S7、S8、S12）以及1个无环二醇（S10）作为代表性二醇（图2C），同时还加入了1,5-二醇（S11）。

接下来，利用这组模型底物作者将催化剂作为其组成残基的函数进行了评估（图2D），结果表明：1）从P1（ee_med=16 %）开始，两个单点变化显示ee值增加：i+3处立体化学反转（P2）实现了31% ee_med，而用NHMe（P3）取代C末端NMe₂基团后ee_med为15%，但对三种底物（S1、S6、S9）有显著改善，同时通过P3b（P3类似物）的X-射线衍射分析确定其二级结构特征（图2F）；2）P4同时具有优化后P2的相对立体构型和P3的C端NHMe，其选择性（ee_med）显著提高至69%；3）对P4的进一步修饰表明其它两个点的变化也会显著提高ee_med，例如：在i+1（P5）处用六元同系物哌啶酸（Pip）替换五元脯氨酸（Pro）后ee_med提高至74%，而在C末端用NHCH₂CF₃（P6）取代后ee_med增加至83%；4）催化剂P7将P5中发现的Pip残基与延长的多氟化C末端（NHCH₂C₂F₅）结合并在i+3处变为联苯丙氨酸（Bip）后ee_med提高至93%，并且15种底物中有10种超过90% ee，另外四种底物超过60% ee；5）P7的X-射线衍射和ROESY NMR分析表明催化剂的N-O自由基和活性氧化胺盐中间体都具有二级结构特征，但是P7的固态结构与P3b中观察到的3₁₀-螺旋不同，其显示两个连续的β-旋转（图2F）。

图2. 底物库对催化剂进行筛选和催化剂结构的迭代修饰。图片来源：Science

随后，作者利用最佳催化剂P7对底物范围进行了考察（图3A），结果显示缩酮保护的赤酮酸γ-内酯（L1、L17）、多环二醇（L2、L4、L7、L8、L18）、环丙烷（L5、L15、L16、L26）、环丁烷（L19、L20）、环戊烷（L3）、环己烷（L9）以及吡咯烷（L6）衍生的二醇、线性1,4-二醇（L10）、四取代二醇（L12）甚至线性1,5-二醇（L11、L22）、亚磷1,5-二醇（L21）均能兼容该反应，以中等至较好的产率和对映选择性获得相应产物。值得一提的是，催化剂P8可以71% ee值获得产物L15，进一步突出了模块化催化剂筛选平台的优势。此外，底物筛选组中完全不存在的1,3-二醇也可以高对映选择性获得单氧化的β-羟基醛（H23、H24）。其次，作者还将该策略应用于药物分子的合成中（图3B），具体而言：1）S25经两步转化以54%的总收率和83% ee值获得HIV蛋白酶抑制剂的关键中间体T25；2）以市售A8为原料，经两步转化以86%的产率和96% ee值获得血栓素受体拮抗剂依非曲班的合成前体H8，从而极大地缩短了先前的合成步骤。此外，作者通过实验确定了P7的催化剂转化（turnovers）约为1.2×10⁵，这也是寡肽有机催化剂的最高转化数，并且该催化剂还可回收（从反应中可分离出>95% P7衍生的羟胺）和重复利用（最多三次），而产率和对映选择性不受影响。另一方面，反应的通用性在一定程度上受到辅助官能团与TCCA相容性的限制，为此作者开发了电化学催化方法，即使用平行反应器HTe^-Chem进行快速筛选并鉴定出两类具有高产率和对映选择性的氧化剂（图3C）：偶氮二羧酸二烷基酯和二取代过氧化物，其中偶氮二甲酸二异丙酯（DIAD）效果最好，可以良好的产率和优异的对映选择性获得所需产物（L27-29），同时DIAD被还原为无害的肼-1,2-二甲酸二异丙酯。

图3. 底物拓展。图片来源：Science

最后，作者通过一系列相关实验对反应机理进行了研究（图4A），结果表明：1）原位扩散有序光谱（DOSY）NMR实验和实时直接分析（DART）-高分辨质谱对催化剂静息态的组成研究表明催化剂和二醇底物之间形成了氧化胺盐-醇盐络合物（C）；2）动力学同位素效应（KIE）证实该反应的决速步是静息态加合物的Cope消除过程，从而得到去对称化的醛中间体（A）；3）二醇S9与单醇（环己基甲醇）之间的分子间竞争实验表明L9的对映体富集（ΔΔG^‡）与S9和单醇的相对反应速率[ln(k_diol/k_mono-ol)RT]之间建立了良好的相关性[决定系数(R²)=0.95]（图4B）；4）对映选择性较强的催化剂对二醇氧化的选择性高于单醇，并且速率差异高达26倍。这些结果表明除了反应中醇和氧化胺盐的共价结合外，醇与肽主链上的官能团之间还存在氢键作用。与此相一致的是，产物特征可以用来定量预测何种底物在该反应中表现良好（图4C），即在3.5 Å处最小ΔV_bur%>9.6%的底物提供了优异的对映选择性，并利用二醇S19和S20来验证模型，其结果与模型预测结果相一致。综上所述，这种立体诱导模型简单且高效，只需要反应所必需的两个醇羟基，并且在二醇的两个对映面之间存在相对较小的空间差异（ΔV_bur%=9.6%），而反应的对映选择性对链长、骨架结构、官能团和其它结构因素不敏感。这种立体化学模型是观察到底物普适性的基础。

图4. 机理研究。图片来源：Science

总结

本文研究团队报道了一种通用性导向的催化剂非传统优化策略，并成功地用于二元醇氧化去对称化反应的N-O自由基催化优化。该策略主要通过一组底物而非单一模型底物的筛选来进行预测，所得的通用催化剂可实现二元醇转化的高选择性、高活性和广泛的底物兼容性。

原文（扫描或长按二维码，识别后直达原文页面）：

Generality-Oriented Optimization of Enantioselective Aminoxyl Radical Catalysis

Jonas Rein, Soren D. Rozema, Olivia C. Langner, Samson B. Zacate, Melissa A. Hardy, Juno C. Siu, Brandon Q. Mercado, Matthew S. Sigman, Scott J. Miller, Song Lin

Science, 2023, 380, 706-712. DOI: 10.1126/science.adf6177

导师介绍

林松

https://www.x-mol.com/university/faculty/48471

（本文由吡哆醛供稿）