Predictive Computational Modelling for the Rational Design of Divergent Nickel Catalysis

Projektbeschreibung

Rechnergestütztes Rahmenkonzept für fortgeschrittenes Nickelligandendesign

Die chemische Synthese mit Nickelkatalysatoren beruht derzeit auf einem langsamen Versuch-und-Irrtum-Screening, da Wissenschaftsteams nicht vollständig verstehen, wie spezifische Komponenten, sogenannte Liganden, die Reaktionsergebnisse beeinflussen. Die Arbeit des im Rahmen der Marie-Skłodowska-Curie-Maßnahmen unterstützten Projekts PCoM-RaDeDiNiCa hat zum Ziel, diese empirische Spekulation in prädiktive Wissenschaft zu verwandeln. Mithilfe der Kombination aus fortgeschrittenen Computersimulationen mit maschinellem Lernen wird das Projektteam ein digitales Rahmenkonzept erschaffen, um die grundlegenden Mechanismen komplexer chemischer Reaktionen abzubilden. Zu den wichtigsten Zielen gehören die Aufklärung, wie Katalysatoren die Produktselektivität steuern, und die Entwicklung von Werkzeugen für das rationale Design neuer Liganden. Zu guter Letzt könnte mit diesem Projekt ein neues Paradigma etabliert und der Forschungsgruppe jene Prinzipien geliefert werden, die nötig sind, um effiziente und nachhaltige katalytische Prozesse zu beschleunigen.

Ziel

"DiNiCa (Divergent Nickel Catalysis) represents a major frontier in chemical synthesis, offering the potential to generate multiple, distinct products from identical starting materials simply by changing the ancillary ligand on a Nickel catalyst. While experimentally powerful, this approach is severely limited by a lack of fundamental mechanistic understanding, forcing catalyst development to rely on empirical, trial-and-error screening. The central knowledge gap is the unelucidated electronic role of the directing ligand, many of which are ""non-innocent"", in controlling reaction selectivity.
The PCoM-RaDeDiNiCa (Predictive Computational Modelling for the Rational Design of Divergent Nickel Catalysis) project will address this challenge by employing a state-of-the-art, multi-scale computational workflow that integrates deep mechanistic investigation with data-driven machine learning (ML). This project will deliver the first comprehensive theoretical investigation into the origins of selectivity in DiNiCa, combined with a novel predictive framework. By integrating Density Functional Theory (DFT) with advanced multireference methods and machine learning, we will construct a robust and predictive mechanistic model.
The primary objectives are: 1) to elucidate the complete catalytic cycle and origin of regioselectivity for a key C-C coupling reaction; 2) to unravel the mechanistic basis of enantioselectivity in a challenging hydroamination reaction; and 3) to develop a predictive machine learning model for catalyst selectivity and apply it to the rational in silico design of new, high-performance ligands.
By transforming the understanding of these systems from an empirical art to a predictive science, PCoM-RaDeDiNiCa will establish a new paradigm of rational catalyst design. The outcomes will provide the experimental community with a powerful predictive tool and design principles, accelerating the development of more efficient and sustainable catalytic processes with"