Investigação Mecanística Envolvendo Reações de Formação de Ligação Amida entre Ácidos Carboxílicos e Aminas Catalisadas por Ácidos Borônicos

• Processo: 24/11665-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 31 de maio de 2028
• Área de conhecimento: Ciências Exatas e da Terra - Química - Química Orgânica
• Pesquisador responsável: Marco Antonio Barbosa Ferreira
• Beneficiário: Ariel de Araújo Pereira
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Vinculado ao auxílio: 21/12394-0 - Métodos sintéticos sustentáveis empregando catálise, solventes verdes, reagentes seguros e materiais de partida renováveis, AP.TEM
• Assunto(s): Ácidos borônicos Catálise Aprendizado computacional Modelos estatísticos Síntese orgânica
• Palavra(s)-Chave do Pesquisador: Ácidos Borônicos | catálise | estudos mecanísticos | Formação de Ligação Amida | machine learning | Modelagem Estatística | Síntese Orgânica

Resumo

As amidas são grupos funcionais onipresentes em moléculas orgânicas e apresentam grande relevância para a indústria farmacêutica e química de materiais. Sua síntese direta a partir de ácidos carboxílicos e aminas, no entanto, ainda é pouco eficiente, predominando o uso de agentes de acoplamento em quantidades estequiométricas para ativação do substrato, gerando grandes volumes de resíduos. O desenvolvimento de metodologias catalíticas, como o uso de ácidos borônicos, constitui um importante tópico de pesquisa para o desenvolvimento sustentável nas próximas décadas. Este projeto busca estudar essas metodologias, com o objetivo de compreender melhor o mecanismo dessas transformações e racionalizar/propor catalisadores capazes de atuar em sistemas complexos ou pouco reativos. Para isso, serão aplicadas técnicas computacionais para calcular e investigar as espécies ativas e intermediários do ciclo catalítico, bem como ferramentas estatísticas e de machine learning, aliadas à aquisição de dados experimentais para construção de modelos preditivos de reatividade e seletividade. Espera-se, com este trabalho, obter uma nova compreensão sobre os parâmetros que regem a atividade catalítica, permitindo o design de catalisadores mais eficientes, em condições mais brandas e verdes.