L-erythro-2.3-dihydroxy-glutaric acid | 33054-05-6

• 分子结构分类: 有机化合物 - 有机酸及其衍生物 - 羟基酸及其衍生物
• 英文名称: L-erythro-2.3-dihydroxy-glutaric acid
• 英文别名: L-erythro-2.3-Dihydroxy-glutarsaeure；d-Araboorthosaccharonsaeure；(2S,3S)-2,3-dihydroxypentanedioic acid
• CAS: 33054-05-6；34321-30-7；34693-49-7；82864-78-6
• 化学式: C₅H₈O₆
• 分子量: 164.115
• InChiKey: VMUSHTGZIIQLRG-OKKQSCSOSA-N

物化性质

• 沸点：
  486.9±45.0 °C(Predicted)
• 密度：
  1.707±0.06 g/cm3(Predicted)

计算性质

• 辛醇/水分配系数(LogP)：
  -1.9
• 重原子数：
  11
• 可旋转键数：
  4
• 环数：
  0.0
• sp3杂化的碳原子比例：
  0.6
• 拓扑面积：
  115
• 氢给体数：
  4
• 氢受体数：
  6

反应信息

• 作为反应物：
  描述：

  L-erythro-2.3-dihydroxy-glutaric acid 在 水 作用下， 生成 D-erythro-2-deoxy-pentaric acid-1=>4-lactone
  参考文献：
  名称：

  Gakhokidze, Zhurnal Obshchei Khimii, 1945, vol. 15, p. 530

  摘要：

  DOI：
• 作为产物：
  描述：

  (2S,3S)-2,3,5-trihydroxypentanoic acid 在 2,2,6,6-四甲基哌啶氧化物 、 水 、 sodium bromide 、 sodium hydroxide 、 sodium hypochlorite 作用下， 以 1,2-二氯乙烷 、 丙酮 为溶剂， 生成 L-erythro-2.3-dihydroxy-glutaric acid
  参考文献：
  名称：

  自动机器学习辅助 TEMPO 催化伯醇氧化制备羧酸

  摘要：

  尽管醇氧化被认为是成熟的反应，但选择生产条件或预测未见醇的反应产率仍然是主要挑战。在此，公开了一种用于将伯醇催化氧化为相应羧酸的自动机器学习 (ML) 模型。使用高通量实验 (HTE) 生成了包含 3444 个数据的数据集，其中包含 282 种伯醇和 45 种条件。使用 HTE 数据和 105 个描述符，使用 AutoGluon（开源自动机器学习框架）和 KNIME（开源数据分析平台）执行多标签预测。对于 240 次反应的独立测试（20 种未见醇和 12 种条件的完整矩阵），AutoGluon 和用于产量预测的多标签预测 (AGMP) 表现出色。R 2为0.767，MAE为4.9%。该模型还表明，新生成的描述符（Y/N，反应反应性分类）是与产量预测最相关的描述符，为将 HTE 和 ML 集成到有机合成中提供了新的视角。

  DOI：

  10.1002/cjoc.202200555

文献信息

• Micheel, Chemische Berichte, 1930, vol. 63, p. 347,358
  作者：Micheel

  DOI：——

  日期：——
• Kiliani, Chemische Berichte, 1915, vol. 48, p. 348
  作者：Kiliani

  DOI：——

  日期：——
• Gakhokidze, Zhurnal Obshchei Khimii, 1945, vol. 15, p. 530
  作者：Gakhokidze

  DOI：——

  日期：——
• Auto Machine Learning Assisted Preparation of Carboxylic Acid by<scp>TEMPO‐Catalyzed</scp>Primary Alcohol Oxidation
  作者：Jia Qiu、Yougen Xu、Shimin Su、Yadong Gao、Peiyuan Yu、Zhixiong Ruan、Kuangbiao Liao

  DOI：10.1002/cjoc.202200555

  日期：2023.1.15

  experimentation (HTE). With the HTE data and 105 descriptors, a multi-label prediction was performed with AutoGluon (an open-source auto machine learning framework) and KNIME (an open-source data analytics platform). For the independent test of 240 reactions (a full matrix of 20 unseen alcohols and 12 conditions), AutoGluon with multi-label prediction for yield prediction (AGMP) gave excellent performance

  尽管醇氧化被认为是成熟的反应，但选择生产条件或预测未见醇的反应产率仍然是主要挑战。在此，公开了一种用于将伯醇催化氧化为相应羧酸的自动机器学习 (ML) 模型。使用高通量实验 (HTE) 生成了包含 3444 个数据的数据集，其中包含 282 种伯醇和 45 种条件。使用 HTE 数据和 105 个描述符，使用 AutoGluon（开源自动机器学习框架）和 KNIME（开源数据分析平台）执行多标签预测。对于 240 次反应的独立测试（20 种未见醇和 12 种条件的完整矩阵），AutoGluon 和用于产量预测的多标签预测 (AGMP) 表现出色。R 2为0.767，MAE为4.9%。该模型还表明，新生成的描述符（Y/N，反应反应性分类）是与产量预测最相关的描述符，为将 HTE 和 ML 集成到有机合成中提供了新的视角。