Líneas de investigación
Nuestros proyectos se centran en el desarrollo de metodología sintética basada en química organometálica y catálisis asimétrica, y aplicada a la síntesis y funcionalización de sistemas heterocícilicos, compuestos con potencial actividad biológica, productos naturales o fármacos. También desarrollamos proyectos interdisciplinares que implican química computacional y herramientas de aprendizaje automático (machine learning, ML) para la predicción de reactividad y para el diseño de moléculas con actividad biológica.
Actualmente nuestros proyectos se pueden englobar en dos áreas:
REACCIONES DE CATALIZADAS POR METALES DE TRANSICIÓN EN LA SÍNTESIS Y FUNCIONALIZACIÓN DE HETEROCICLOS
Pd(0) y Pd(II): Reacciones de Heck y activación C-H
Trabajamos en el desarrollo de metodologías basadas en catálisis mediante Pd(0) y Pd(II). Hemos mostrado que las reacciones de tipo Heck o las reacciones de arilación C-H catalizadas por Pd(0) y las reacciones de alquenilación o de acilación C-H catalizadas por Pd(II) son herramientas sintéticas versátiles para la síntesis de anillos de tamaño medio, desarrollando también procesos en cascada y variantes enantioselectivas, incluyendo el control de la quiralidad axial. Algunos ejemplos:
Reacciones de activación C-H catalizadas por Co(III)
Recientemente hemos comenzado a estudiar la aplicación de metales más abundantes y menos tóxicos, como el cobalto. Hemos desarrollado reacciones de de hidroarilación, alilación y aminocarbonilación de arenos y heteroarenos, utilizando complejos estables Cp*Co(III) como precatalizadores. Algunos ejemplos:
MODELOS COMPUTACIONALES PARA LA PREDICCIÓN DE REACTIVIDAD QUÍMICA, ACTIVIDAD BIOLÓGICA Y TOXICIDAD
El aprendizaje automático (ML) y la inteligencia artificial (IA) se están convirtiendo en técnicas muy útiles para abordar de forma más racional la elección de las condiciones de reacción y la estructura de catalizadores o ligandos quirales. Nuestro grupo ha introducido la metodología de Teoría de Perturbaciones-Aprendizaje Automático (PTML) para el desarrollo de nuevos modelos computacionales (quimio-informáticos) de tipo multi-target capaces de predecir la reactividad o la enantioselectividad de una reacción dada cuando se incorporan modificaciones estructurales o de las condiciones de reacción.
Los modelos quimioinformáticos PTML son también útiles para realizar cribados computacionales (in silico) de grandes bibliotecas de compuestos para el descubrimiento de posibles actividades biológicas en procesos de descubrimiento de fármacos. Estos modelos también pueden aplicarse a sistemas complejos que involucran nanopartículas, un área emergente en la nanociencia. Si bien las principales dificultades de los modelos quimioinformáticos clásicos son la imposibilidad de predecir simultáneamente múltiples parámetros de actividad biológica de fármacos contra diferentes proteínas diana, líneas celulares, organismos de ensayo, etc., nuestros modelos permiten predecir múltiples parámetros biológicos de ensayo (p. ej., IC50, ED50, Kᵢ, Kₘ, etc.) y condiciones de ensayo de lectura cruzada (diferentes proteínas diana, líneas celulares, organismos), así como múltiples componentes de sistemas de administración (nanopartículas, polímeros, recubrimientos, enlazadores, etc.).
Algunos ejemplos: