Fukui-funktiot toimivat DFT-pohjaisen käsitteellisen tiheysfunktionaalisen teorian peruskuvaajina, jotka osoittavat, kuinka elektronit jakautuvat molekyyleissä. Näitä toimintoja käyttävä ennustuskyky paljastaa molekyylien elektroneja luovuttavan tai hyväksyvän potentiaalin tietyissä atomikohdissa elektrofiilisten tai nukleofiilisten ominaisuuksien määrittämiseksi. Kaksoiskuvaaja parantaa Fukui-funktioanalyysiä erottamalla nukleofiiliset ja elektrofiiliset ominaisuudet molekyylikohdissa, mikä parantaa kemiallisen reaktiivisuuden arviointien tarkkuutta. Olemme havainneet, että useimmat tutkijat kohtaavat haasteita laskea näitä tärkeitä kuvailevia edistyneen tieteellisen analyysin kannalta. Tässä olemme suunnitelleet yksinkertaisen Python-koodin laskennan yksinkertaistamiseksi. Artikkeli tarjoaa yksityiskohtaisia näkemyksiä Fukui-funktioista, niiden teoreettisesta viitekehyksestä sekä numeerisista menettelyistä ja Python-sovelluksesta, joka hyödyntää Gaussian-ohjelmistosta saatuja Natural Population Analysis (NPA) -tuloksia. 📥Fukui-funktiot ja niiden fyysinen tulkinta Fukui-funktio 𝑓(𝑟) mittaa elektronitiheyden ρ(r) vastetta, kun elektronien lukumäärä systeemissä muuttuu hieman. Matemaattisesti se määritellään seuraavasti: Missä N on elektronien kokonaismäärä ja v(r) on ulkoinen potentiaali. Tämä funktio voidaan approksimoida numeerisesti käyttämällä äärellisiä eroja: Jossa: 𝑞 𝑟 ( 𝑁 ) → tietyn kohdan atomivaraus neutraalissa molekyylissä. 𝑞 𝑟 ( 𝑁 + 1 ) → varaus elektronin (anionin) lisäämisen jälkeen. 𝑞 𝑟 ( 𝑁 − 1 ) → varaus elektronin (kationin) poistamisen jälkeen. Nämä kaksi toimintoa arvioivat elektronitiheyden herkkyyttä muuttuvia olosuhteita kohtaan auttaakseen ennustamaan kemiallisia reaktiivisuusmalleja. 📥Kaksoiskuvaaja (Δ𝑓(𝑟)) ja kemiallinen tulkinta Kaksoiskuvaaja Δ 𝑓 ( 𝑟 ) tarkentaa Fukui-funktioanalyysiä erottamalla toisistaan elektrofiiliset ja nukleofiiliset reaktiiviset kohdat: 📥Säännön Δ𝑓( 𝑟 ) tulkinta: Δ 𝑓 ( 𝑟 ) → Alue suosii . nukleofiilistä hyökkäystä Δ 𝑓 ( 𝑟 ) < 0 → Alue suosii . elektrofiilistä hyökkäystä Δ 𝑓 ( 𝑟 )=0 → Alue on . kemiallisesti inertti Käyttämällä Δ 𝑓 ( 𝑟 ) tutkijat voivat määrittää tarkasti reaktiiviset molekyylikohdat ja ennustaa orgaanisten reaktioiden kulkureittejä. 📥Natural Population Analysis (NPA) Gaussin kielellä Laskennallinen kemia käyttää NPA:ta laajasti jakaakseen elektronitiheyden molekyylin atomien kesken. Gaussin ohjelmisto luo NPA-maksut syötetiedoston avainsanan kautta. Nämä maksut muodostavat perustan Fukui-funktiolaskelmien suorittamiselle. Pop=NPA Esimerkki Gaussin syötteestä NPA-laskennassa: %chk=mol.chk # B3LYP/6-31G(d,p) Pop=NPA Title: NPA Charge Calculation 0 1 C 0.000 0.000 0.000 H 0.000 0.000 1.090 H 1.026 0.000 -0.363 H -0.513 -0.889 -0.363 H -0.513 0.889 -0.363 Gaussin laskennan tulososio sisältää NPA-maksut -otsikon alla. Poimitut maksut on muotoiltu taulukkoon: " " Natural Population Analysis Näitä arvoja käytetään Python-skriptissä Fukui-funktioiden ja kaksoiskuvaajan laskemiseen. 📥Python-koodi Fukui-funktion laskemiseen Tutkijat käyttävät laskettuja arvoja ymmärtääkseen kemiallisia mekanismeja reaktioiden aikana kehittäessään molekyylejä, joilla on erityisiä toiminnallisia ominaisuuksia, mukaan lukien katalyyttejä ja lääkekandidaatteja. 👉Python-skripti: import pandas as pd # Load the data from the Excel file in the same directory as the script file_path = 'FUKUI.xlsx' df = pd.read_excel(file_path) # Calculate Fukui Functions and Dual Descriptor with 5 decimal places df['fr+'] = (df['Anion(N+1)'] - df['Neutral(N)']).apply(lambda x: f"{x:.5f}") df['fr-'] = (df['Neutral(N)'] - df['Cation(N-1)']).apply(lambda x: f"{x:.5f}") df['fr0'] = ((df['Anion(N+1)'] - df['Cation(N-1)']) / 2).apply(lambda x: f"{x:.5f}") df['∆f'] = (df['fr+'].astype(float) - df['fr-'].astype(float)).apply(lambda x: f"{x:.5f}") # Save the calculated data to a new Excel file in the same directory output_file = 'fukui_functions_output.xlsx' df.to_excel(output_file, index=False) # Display the DataFrame (optional) print(df) 👉Koodin selitys: Ladataan tietoja: Lukee NPA-maksut Excel-tiedostosta ( ). FUKUI.xlsx Suorita vain yllä oleva Python-koodi. Järjestä NPA-analyysin maksut oikein syöttötiedostoon, sano , täsmälleen kuvan 1 mukaisesti. Varmista myös, että Python-skripti ja syöttötiedostosi ovat samassa hakemistossa. FUKUI.xlsx 👉Fukui-funktion laskenta: Indeksi saadaan anionisen ja neutraalin varausarvon erosta. 𝑓+( 𝑟 ) Tämä indeksi saadaan vähentämällä kationisen varauksen arvo neutraalin varauksen arvosta. 𝑓-( 𝑟 ) Radikaali Fukui-funktio saa arvonsa suorittamalla keskimääräisen toiminnon kohdille ja . 𝑓+( 𝑟 ) 𝑓-( 𝑟 ) Kaksoiskuvaaja syntyy, kun laskennassa siitä vähennetään . 𝑓-( 𝑟 ) 𝑓+( 𝑟 ) Jokainen arvo pyöristetään viiteen desimaaliin tarkkuuden vuoksi. Muotoilu: Tulokset tallennetaan nimellä lisäanalyysiä varten. Tulos: fukui_functions_output.xlsx 📥Tulokset ja keskustelu Lasketut Fukui-funktiot ja kaksoiskuvaajat tarjoavat kriittisiä näkemyksiä molekyylien reaktiivisuudesta: arvot osoittavat mahdollisia nukleofiilisiä kohtia. Korkeat 𝑓+( 𝑟 ) arvot viittaavat elektrofiiliseen reaktiivisuuteen. Korkeat 𝑓−( 𝑟 ) -arvot indusoivat reaktiivisimmat kohdat. Δ 𝑓 ( 𝑟 ) Reaktiomekanismien ennusteet yhdistyvät sellaisten molekyylien tuotannon kanssa, joilla on erityisiä toivottuja ominaisuuksia, kuten katalyyttejä ja lääkekandidaatteja. 📥 Johtopäätös Fukui-funktioiden yhdistelmä kahden kuvaajan kanssa toimii vahvana laskennallisena lähestymistapana kemiallisen reaktiivisuuden tutkimiseen. Varauksen jakautumisen oikea laskenta riippuu Gaussin laskelmilla saaduista NPA-varauksista. Python-pohjainen metodologia mahdollistaa automatisoinnin, joka mahdollistaa suurten molekyylien aineistojen tehokkaan arvioinnin. Seuraavissa tutkimuksissa tulisi toteuttaa Fukui-toimintojen yhdistetty analyysi yhdessä sähköstaattisen potentiaalikartoituksen kanssa, joka sisältää molekyylirataanalyysin, jotta saavutetaan oikea ymmärrys reaktiivisuuskäyttäytymisestä.
