Академический Документы
Профессиональный Документы
Культура Документы
NICS
zz
(1)
45.5
35.5
51.3
112.2
-35.2
0.0
-3.2
-11.8
-57.1
-10.3
-14.0
-36.0
-71.4
-15.0
-9.6
-31.8
2
-129.1
-6.3
-7.4
-27.3
Figura 5. Descriptores magnticos de aromaticidad de algunos
compuestos.
Criterio geomtrico
El criterio estructural se basa en dos caractersticas muy
importantes de los compuestos aromticos que se pueden
medir por mtodos cristalogrficos: la igualdad en la longitud
de los enlaces y la planaridad de la molcula. La molcula del
benceno es plana y todos los enlaces C C tien en una longi-
tud de 1.3983 . Sin embargo, se ha atribuido aromaticidad a
compuestos no planos.
[27,28]
De todos los ndices cuantitativos basados en la estruc-
tura,
[29]
el ms frecuentemente usado es el modelo del
oscilador armnico (HOMA, Harmonic Oscillator Model
of Aromaticity) propuesto por Krygrowski.
[30]
Este mtodo
se basa en el hecho de que se pueden producir cambios
176
Mercedes Alonso et al.
2010 Real Sociedad Espaola de Qumica www.rseq.org An. Qum. 2010, 106(3), 173182
notables en la energa de un anillo aromtico al cambiar la
longitud de los enlaces C C. El ndice HOMA se calcula
segn la Ecuacin 3:
HOMA
n
R R 1
opt i
i
n
2
1
= - -
a
=
_ i !
(3)
Donde n es el nmero de enlaces considerados, a es una
constante emprica fijada para dar un valor de HOMA igual
a 0 para la estructura hipottica de Kekul de un sistema aro-
mtico y un valor de 1 para un sistema con todos los enlaces
iguales a un valor R
opt
. R
i
representa la longitud del enlace
considerado. Este modelo tiene en cuenta dos efectos que
disminuyen la aromaticidad: i) el aumento de la alternancia
de enlaces y ii) el aumento de la longitud promedio en el
sistema.
[31]
Este ndice ha dado excelentes resultados para muchos
tipos de sistemas r-electrnicos, inclusive sistemas heteroc-
clicos e hidrocarburos policclicos, pero es muy dependiente
del tipo de enlaces y de la informacin experimental que
permite obtener R
opt
.
[32,33]
Adems, est demostrado que el
HOMA falla en algunos casos en los que la geometra est
determinada por la estructura de los electrones v, como el
ciclooctatetraeno.
[34]
Su principal ventaja es que se puede
emplear para medir tanto la aromaticidad local como la aro-
maticidad global de los sistemas polianulares.
Otros ndices de aromaticidad
Menos habitual es la utilizacin de medidas electr-
nicas como criterio de aromaticidad. Entre estas medidas
se encuentran: la diferencia de energa entre los orbitales
HOMO y LUMO, el potencial electrosttico molecu-
lar, la dureza absoluta y relativa y la polarizabilidad.
[35]
Recientemente se han propuesto diferentes medidas de la
deslocalizacin electrnica como nuevos ndices de aro-
maticidad, como la funcin de localizacin electrnica
y
el ndice de deslocalizacin electrnica en para.
[36]
Sin
embargo, ninguna de estas medidas, excepto el ndice de
fluctuacin aromtica
[37]
o los ndices de deslocalizacin
multicentro,
[38]
que son muy costosos computacionalmente,
ha dado lugar a un ndice cuantitativo general aplicable a
una amplia variedad de compuestos que compita con los
ndices descritos anteriormente.
La reactividad principal de los compuestos aromticos es
la sustitucin electrfila. Tampoco existe ningn ndice gene-
ral basado en la reactividad que permita cuantificar la aroma-
ticidad. Esto se debe principalmente a que la reactividad es
una propiedad que est dominada por el estado de transicin,
mientras que la aromaticidad es una propiedad del estado
inicial de una reaccin. Adems, no es un criterio general, ya
que hay compuestos aromticos como los fullerenos que no
poseen ningn tomo de hidrogeno y reaccionan a travs de
reacciones de adicin.
[39]
Relacin entre los diferentes ndices de aromaticidad
Se han hecho muchos intentos por aclarar y racionalizar
las relaciones que existen entre los diferentes ndices de aro-
maticidad, generando una gran controversia sobre la dimen-
sionalidad de la aromaticidad. En un principio, la existencia
de relaciones lineales entre los ndices energticos, geom-
tricos y magnticos para una muestra limitada de anillos de
5 miembros del tipo C
4
H
4
X, llev a la conclusin de que
la aromaticidad era un fenmeno monodimensional.
[40]
Sin
embargo, Katritzky y col. demostraron que las relaciones
entre las diferentes escalas de aromaticidad dependan
enormemente de la seleccin de molculas en la muestra y
de la eleccin de los ndices, evidenciando que la aromati-
cidad es un fenmeno multidimensional
[41,42]
Los anlisis
de componentes principales identificaron dos componentes
(uno clsico y otro magntico) necesarios par a describir un
conjunto de 12 ndices de aromaticidad. La naturaleza multi-
dimensional de la aromaticidad ha sido confirmada por otros
autores (Figura 6).
[43]
40
30
20
10
0
-10
-20
-60 -40 -20
ASE / kcal mol
-1
R
2
(n = 11) = 0.98
R
2
(n = 19) = 0.03
Sistemas Schleyer C
4
H
4
X
Sistemas Katritzky
K
/
p
p
m
c
g
s
0 20 40
CH
+
CH
2
CH
-
PH
O
S
NH
SiH
+
SiH
-
BH
AIH
Figura 6. Dependencia entre la K y el ASE.
En la actualidad se ha demostrado que los ndices ener-
gticos, magn ticos y estructurales conducen, en general, a
un orden de aromaticidad diferente, de modo que la mayora
de los autores recomienda utilizar un conjunto de descripto-
res de aromaticidad basados en diferentes propiedades para
caracterizar adecuadamente la aromaticidad de los compues-
tos, ya que cada ndice tiene sus propias limitaciones.
[44,45]
Aunque en un principio se puede considerar que la aromati-
cidad se puede cuantificar utilizando una combinacin lineal
de un nmero arbitrario de ndices de aromaticidad,
[41,44]
esta
aproximacin no funciona, sugiriendo que la relacin entre la
aromaticidad y los diferentes criterios (o manifestaciones del
fenmeno) es no lineal.
Redes neuronales
Las redes neuronales (RNs) constituyen una tcnica
alternativa a los mtodos de anlisis convencionales y son
muy adecuadas para tratar correlaciones no lineales.
[46]
La
principal ventaja de las RNs respecto a los mtodos de regre-
sin lineal o el anlisis de componentes principales reside en
el hecho de que los modelos QSAR/QSPR se desarrollan sin
especificar a priori la forma analtica del modelo. El hecho
de fijar una relacin lineal entre los descriptores moleculares
que caracterizan a la estructura molecular y la propiedad que
se est modelando, no implica que sta se cumpla o que el
modelo obtenido sea el ptimo. Y este parece ser el caso de
la aromaticidad.
177
Aromaticidad: un concepto histrico con relevancia actual
2010 Real Sociedad Espaola de Qumica www.rseq.org An. Qum. 2010, 106(3), 173182
Las RNs presentan un gran nmero de caractersticas
semejantes a las del cerebro: son capaces de aprender basn-
dose en la experiencia, de generalizar de casos anteriores a
nuevos casos, de abstraer caractersticas esenciales a partir
de entradas que presentan informacin irrelevante, etc. Esto
hace que ofrezcan numerosas ventajas y que este tipo de
tecnologa se est aplicando en mltiples reas que abarcan
prcticamente cualquier disciplina: Medicina, Ingeniera,
Biologa, Psicologa, Economa, Medio Ambiente. La
habilidad de tratar con las no-linealidades inherentes en las
relaciones estudiadas, la capacidad de procesar datos con
ruido o incompletos, la alta tolerancia a fallos que permite a
la red operar satisfactoriamente con neuronas o conexiones
daadas, la capacidad de autoorganizacin y la capacidad
de responder en tiempo real debido a su paralelismo inhe-
rente, son algunas de las ventajas de las RNs.
[47]
Mapas autoorganizados como herramienta para
cuantificar la aromaticidad
En conexin con nuestro inters en los compuestos
aromticos desde muy diferentes puntos de vista (sinttico,
estructural y propiedades biolgicas), nos planteamos gene-
rar un mtodo capaz de clasificar y cuantificar la aromatici-
dad y que tuviese en cuenta los principales ndices descritos
en la bibliografa y que fuese aplicable a una amplia varie-
dad de compuestos. Nuestra hiptesis de trabajo se bas en
que el carcter multidimensional de la aromaticidad y las
relaciones complejas entre descriptores puede ser descrito
utilizando redes neuronales. En este sentido, es importante
remarcar que hasta la fecha todos los intentos de establecer
una escala universal haban fracasado debido a que es una
propiedad multidimensional que no puede ser descrita con
un nico criterio.
En concreto, decidimos utilizar los mapas autoorganiza-
dos o mapas de Kohonen (SOM, Self-Organizing Maps),
[48]
ya que nos permiten realizar una clasificacin no supervi-
sada de los compuestos de acuerdo a estos descriptores sin
necesidad de incluir datos adicionales. En este caso es la red
la que debe descubrir por s misma similitudes, regularida-
des, correlaciones o categoras en los datos de entrada. Se
trata adems de una red de tipo competitivo,
ya que al pre-
sentar un patrn de entrada las neuronas compiten unas con
otras por activarse, quedando finalmente una nica como
neurona vencedora.
Un modelo de mapas autoorganizados est compuesto
por dos capas de neuronas: la capa de entrada est for-
mada por N neuronas, una por cada variable de entrada,
y se encarga de recibir y transmitir a la capa de salida la
informacin procedente del exterior. La capa de salida est
formada por M neuronas organizadas en forma de mapa
bidimensional, tal y como se indica en la Figura 7, y es
la encargada de procesar la informacin y formar el mapa
topolgico. Cada neurona de la capa de entrada est conec-
tada con cada una de las neuronas de salida mediante un
peso sinptico. De esta forma cada neurona de salida tiene
asociado un vector de pesos llamado vector de referencia
que constituye el vector prototipo de la categora represen-
tada por esa neurona.
El proceso de aprendizaje en un modelo SOM se desarrolla
de la siguiente manera. En primer lugar se inicializan los
pesos sinpticos de forma aleatoria. A continuacin se presen-
ta un patrn de entrenamiento y cada neurona calcula en para-
lelo la similitud entre su vector de pesos W
j
(w
j1
, w
j2
,, w
jN
)
y el actual vector de entrada X
p
(x
p1
, x
p2
,, x
pN
). Habitualmente
se utiliza como criterio de similitud la distancia eucldea
(Ecuacin 4).
d x w
j pi ji
i
m
2
1
= -
=
_ i ! (4)
De esta forma se identifica a la neurona vencedora que
ser aquella cuyo vector de referencia sea ms parecido al
vector de entrada. A continuacin se modifica el vector de
pesos asociado a la neurona vencedora y el de sus vecinas con
el fin de que las neuronas prximas sintonicen con patrones
similares.
Este proceso se repite para un conjunto de patrones de
entrada, los cuales son presentados reiteradamente a la red,
de forma que al final los diferentes pesos sintonizan con uno
o varios patrones y, por tanto, con dominios especficos del
espacio de entrada.
Una escala universal de aromaticidad para
compuestos r-conjugados
La utilizacin de los mapas autoorganizados utilizando
diversos ndices de aromaticidad como descriptores mole-
culares, nos ha permitido: i) clasificar a una amplia varie-
dad de compuestos en funcin de su aromaticidad teniendo
en cuenta sus propiedades energticas, estructurales y
magnticas; ii) seleccionar el conjunto de ndices ms ade-
cuado para caracterizar la aromaticidad; iii) establecer una
escala cuantitativa de aromaticidad basada en los mapas
autoorganizados.
[49]
En la Figura 8 se muestran los 150 compuestos cclicos
que se utilizaron en el entrenamiento y posterior validacin
de la red: La muestra incluye numerosos heterociclos de
5 y 6 eslabones, 31 derivados monosustituidos y un conjunto
muy extenso de derivados sustituidos del ciclopentadieno,
de su correspondiente anin y catin, que se han incluido
con el fin de analizar minuciosamente el efecto del susti-
tuyente en la aromaticidad de compuestos carbocclicos de
5 eslabones.
[50]
w
ji
NICS
zz
(1)
ASE
HOMA
Capa de
entrada (N)
Capa de
salida (M)
K
Figura 7. Arquitectura de los mapas autoorganizados.
178
Mercedes Alonso et al.
2010 Real Sociedad Espaola de Qumica www.rseq.org An. Qum. 2010, 106(3), 173182
En el modelo de clasificacin, cada compuesto est
caracterizado por 4 descriptores independientes que se
utilizan habitualmente para cuantificar la aromaticidad: la
energa de estabilizacin aromtica (ASE), la exaltacin de
la susceptibilidad magntica (K), la componente fuera del
plano calculado a 1 por encima del anillo [NICS
zz
(1)] y el
ndice estructural HOMA. En un trabajo previo,
[51]
habamos
demostrado que estos ndices son los ms adecuados para
describir la aromaticidad/antiaromaticidad de un conjunto
muy diverso de compuestos y, adems, estn implementados
y se calculan fcilmente con la mayora de los programas de
qumica cuntica. Los valores isotrpicos de los NICS, muy
populares en la bibliografa, no describen correctamente la
aromaticidad de los derivados del ciclopentadieno y de su
correspondiente anin.
Para el clculo del ASE, se han utilizado esquemas de
reaccin homodesmticos, basados en olefinas cclicas y
anlogos insaturados conjugados (Figura 9). Estas ecuacio-
nes basadas en molculas de referencia cclicas reducen en
mayor grado las contribuciones energticas debidas a efectos
adicionales como la tensin de los anillos, cambios de hibri-
dacin, etc., en comparacin con otras reacciones homods-
mticas e isodsmicas.
[10,11]
Con estos 4 ndices, obtuvimos una familia de vectores de
4 dimensiones que se introdujeron en la red neuronal. SOM
realiza una proyeccin no-lineal sobre un espacio de dos
dimensiones preservando la topologa, es decir, lo que est
cerca en el espacio de n-dimensiones permanece cerca en el
espacio bidimensional. Se probaron diferentes tipos de redes,
variando tanto las condiciones de entrenamiento como la
X
1: X = O
2: X = S
3: X = NH
4: X = PH
N
X
5: X = O
6: X = S
7: X = NH
8: X = PH
N
N
X
23: X = O
24: X = NH
N
X
N
21: X = O
22: X = NH
N N
X
13: X = O
14: X = S
15: X = NH
16: X = PH
N N
N
X
25: X = O
26: X = NH
N
N
X
N
27: X = O
28: X = NH
P
X
9: X = O
10: X = S
11: X = NH
12: X = PH
N
X
17: X = O
18: X = NH
N
N
X
19: X = O
20: X = NH
X
29: X = BeH
-
30: X = B
-
31: X = BH
32: X = BH
2
-
33: X = CH
2
34: X = CH
-
35: X= CH
+
36: X = CF
2
37: X = N
-
38: X = NH
2
+
39: X = Al
-
40: X = AlH
41: X = AlH
2
-
42: X = SiH
-
43: X = SiH
+
44: X = SiH
2
45: X = P
-
46: X = PH
2
+
47: X = GaH0
48: X = GaH
2
-
49: X = GeH
-
50: X = GeH
+
51: X = GeH
2
52: X = As
-
53: X = AsH
54: X = AsH
2
+
55: X = Se
56: X = CH
2
57: X = O
58: X = S
59: X = Se
X
Y Y Y Y
X
Y Y
X
X
X X X
X
X X
X X X X
X
X
Y
X
Y
X
X
Y
X X
60-95: Y = CH
2
144
N
145
N
N
146
149 150
N
N
147
N
N
148
Heterociclos de 5 eslabones Sistemas del tipo C
4
H
4
X
Derivados sustituidos del C
5
H
6
, C
5
H
5
-
y C
5
H
5
+
Anillos de 6 eslabones
* *
*
*
* *
* *
X = CH
3
, OH, F, CN
96-119: Y = CH
-
120-143: Y = CH
+
Figura 8. Compuestos empleados en el entrenamiento y validacin de la red (designados con un asterisco).
Y
X
2
X
1
Y
X
4
X
3
X
4
X
3
X
2
X
1
+ + +
Y
X
4
X
3
X
2
X
1
X
2
X
1
X
4
X
3
Y
+ + +
X
X
X
X
X
X
X
X
+ + + 2 + +
Y Y
+ + +
Y Y
+ + +
X
2
X
1
X
3
X
4
X
3
X
4
X
2
X
1
X
3
X
2
X
1
X
4
X
2
X
1
X
3
X
4
(a)
(b)
(c)
Figura 9. Reacciones homodesmticas empleadas para el clculo del ASE y de la K de: a) los heterociclos de 5 eslabones, b) los derivados del
ciclopentadieno y su anin y catin y c) heterociclos de 6 eslabones.
179
Aromaticidad: un concepto histrico con relevancia actual
2010 Real Sociedad Espaola de Qumica www.rseq.org An. Qum. 2010, 106(3), 173182
arquitectura de las mismas, y finalmente se seleccion la red
hexagonal de 21 # 16 que se muestra en la Figura 10. Como
criterio para evaluar la calidad del mapa se utiliz el error de
cuantificacin promedio, que se define como la media de las
distancias eucldeas entre cada vector de entrenamiento y el
vector de pesos asociado a su neurona vencedora.
Error
P
x w
p
p
pi ji
i
N
1
2
1
=
-
= =
_ i ! !
(5)
En el mapa autoorganizado se indican las neuronas vence-
doras asociadas a cada uno de los compuestos empleados en
el entrenamiento y validacin de la red. A pesar de que hay
ms neuronas de salida (336) que patrones de entrenamiento,
vemos que hay compuestos que activan la misma neurona.
Esto significa que la red reconoce una similitud altsima entre
estos sistemas y los clasifica como compuestos con el mismo
grado de aromaticidad.
Los agrupamientos que forman los datos de entrada se
aprecian muy bien en el mapa U-Matrix de la red entrena-
da (Figura 11), el cual nos da una medida de la distancia entre
dos elementos del mapa y la distancia media de cada elemento
a los que le rodean. Las distancias entre las neuronas vecinas
se visualizan mediante una escala de grises, de modo que las
regiones claras representan neuronas que son parecidas entre
s mientras que las regiones oscuras corresponden a neuronas
que son muy diferentes de las que le rodean. De este modo,
las diferentes familias de compuestos corresponden a las
zonas claras delimitadas por franjas oscuras.
En el mapa U-Matrix se observa la existencia de tres
regiones delimitadas por fronteras donde la distancia entre
las neuronas vecinas es considerablemente mayor. Los com-
puestos localizados en la regin de la izquierda poseen ASEs
positivas, K negativas, valores de NICS
zz
(1) muy negativos y
valores de HOMA, en general, comprendidos entre 0.6 y 1.
Son, por tanto, compuestos aromticos. El benceno (144), la
piridina (145), el pirrol (3), el tiofeno (2) y el furano (1) son
algunos compuestos localizados en esta regin. Por el con-
trario, los compuestos localizados en la regin de la derecha
estn desestabilizados energticamente, poseen valores de L y
NICS
zz
(1) muy positivos y dobles enlaces localizados; siendo
compuestos antiaromticos. El borol (31) y el catin ciclo-
pentadienilo (35) son algunos ejemplos de sistemas antia-
romticos. La regin central corresponde a los compuestos
Figura 10. Mapa autoorganizado (21 # 16) obtenido para la cuantificacin de la aromaticidad. Las neuronas estn coloreadas en funcin de la
distancia Eucldea entre los vectores de referencia de cada neurona y la neurona activada por el benceno (144). Las neuronas de color blanco
representan la separacin de las 3 familias: aromticos, no aromticos y antiaromticos.
Figura 11. Representacin U-Matrix del mapa de Kohonen mostran-
do las familias de compuestos. Las distancias entre neuronas vecinas
se visualizan en escala de grises.
180
Mercedes Alonso et al.
2010 Real Sociedad Espaola de Qumica www.rseq.org An. Qum. 2010, 106(3), 173182
no aromticos, como el ciclopentadieno (33), el fosfol (4) y
el ciclohexadieno (149), ya que muestran valores interme-
dios de los 4 descriptores. Por consiguiente, a partir de los
4 descriptores, la red ha agrupado a todos los sistemas cclicos
de 5 y 6 eslabones en tres grandes familias: aromticos, no
aromticos y antiaromticos. La frontera entre las tres clases
est perfectamente delimitada, de modo que el problema de la
clasificacin de compuestos frontera, como el ciclopentadie-
no,
[52]
se resuelve utilizando una red neuronal.
Adems, la red sita a los compuestos que poseen ndices
de aromaticidad similares en neuronas vecinas, creando una
transicin gradual de la aromaticidad a lo largo del mapa
bidimensional. De este modo, la posicin que ocupa un
compuesto en la red no solo nos indica la familia a la cual
pertenece sino que tambin nos informa sobre su grado de
aromaticidad. En el mapa obtenido la neurona ocupada por el
benceno (144) y la piridina (145) representa el grado mxi-
mo de aromaticidad, mientras que la neurona activada por
el catin ciclopentadienilo (35) representa el grado mximo
de antiaromaticidad.
[53]
A medida que nos alejamos de estas
neuronas disminuye progresivamente la aromaticidad y la
antiaromaticidad, respectivamente.
El carcter cuantitativo de la clasificacin obtenida se
aprecia mejor en el mapa de Sammon (Figura 12).
[54]
Al igual
que el mapa autoorganizado, este algoritmo es un mtodo ite-
rativo que genera una proyeccin no lineal de un conjunto de
datos n-dimensionales en dos dimensiones, manteniendo las
relaciones mtricas. Este mapa se utiliza normalmente para
proyectar el mapa autoorganizado en una escala proporcional
permitiendo visualizar la forma de los clusters y la distancia
relativa entre ellos. En este mapa se aprecia muy bien como
la aromaticidad disminuye gradualmente al ir del bence-
no (144) al catin ciclopentadienilo (35). Por consiguiente, la
distancia Eucldea a la neurona activada por el benceno, que
es el compuesto aromtico de referencia, se puede utilizar
como medida para cuantificar la aromaticidad y la antiaro-
maticidad de compuestos carbocclicos y heterocclicos de
5 y 6 eslabones.
Segn la red, los compuestos aromticos poseen distan-
cias Eucldeas comprendidas entre 0 y 33; los compuestos
no aromticos de 35 a 68 y los compuestos antiaromticos de
72 a 170. Es importante destacar que d
j
es la primera escala
de aromaticidad que tiene en cuenta aspectos energticos,
magnticos y estructurales de este fenmeno. Se trata, por
tanto, de una variable de naturaleza multidimensional ya que
engloba al ASE, la K, el NICS
zz
(1) y el HOMA. Las neuronas
del mapa autoorganizado representado en la Figura 10 estn
coloreadas en funcin de d
j
.
Una de las ventajas de emplear redes neuronales es que el
mapa autoorganizado entrenado se puede utilizar para clasificar
nuevos compuestos en funcin de su aromaticidad y predecir su
grado de aromaticidad. Merece la pena indicar que introducir
un compuesto nuevo en la red no implica ms de unos segun-
dos. Adems, la visualizacin de un compuesto en el mapa es
muy ventajosa ya que su posicin nos determina inmediata-
mente: i) el grupo al cual pertenece: aromtico, no aromtico
o antiaromtico; ii) su grado de aromaticidad en funcin de la
distancia eucldea; iii) su similitud con otros compuestos.
Otra caracterstica interesante de nuestro mtodo es que
es aplicable a compuestos a los que les falta algn descrip-
tor de aromaticidad. Este podra ser el caso de fullerenos,
donde el ASE es difcilmente calculable, o sistemas donde
no es posible calcular el HOMA por falta de parmetros de
referencia. En este caso, la red neuronal busca la mxima
similitud respecto a los descriptores disponibles y es capaz
de identificar caractersticas comunes con un nmero limi-
tado de datos de entrada.
[49]
La validez de nuestra escala de aromaticidad se ha evalua-
do utilizando un conjunto de pruebas que Sol y colaborado-
res han propuesto recientemente para validar diversos ndices
de aromaticidad.
[55]
Se ha comprobado que d
j
cuantifica
correctamente la aromaticidad de los derivados del fulveno y
del heptafulveno, heterociclos de 5 y 6 eslabones y de los ben-
cenos monosustituidos (Figura 13). En todos los tests, nuestra
escala proporciona el orden de aromaticidad esperado en base
al conocimiento qumico acumulado a lo largo de estos aos.
Adems, hemos comprobado que a diferencia de los descrip-
tores magnticos, d
j
no depende del tamao del anillo.
Una vez validada la escala de aromaticidad, hemos apli-
cado la red neuronal para estudiar el efecto del sustituyente
en la aromaticidad de los compuestos cclicos de 5 eslabones
(Figura 8), ya que apenas se haba estudiado en la bibliogra-
fa.
[56]
En el caso de los derivados del anin ciclopentadienilo
(96-119), d
j
indica que se produce una disminucin de la
aromaticidad del anillo en presencia de cualquier sustitu-
yente independientemente de su naturaleza electrnica. Los
grupos dadores de electrones desestabilizan en mayor grado
al carbanin que los sustituyentes electroaceptores, de modo
que, segn la d
j
, el OH es el sustituyente que induce una dis-
minucin ms acusada del grado de aromaticidad del anillo,
40
20
-20
-40
0
-80
-60
-100
-60 -40 -20 0 20 80 40 60
benceno
anin
ciclopentadienilo
catin ciclopentadienilo
fulveno
ciclopentadieno
AROMTICOS
(d
j
: 0-33)
NO AROMTICOS
(d
j
: 35-68)
ANTIAROMTICOS
(d
j
: 35-68)
Figura 12. Mapa de Sammon mostrando las distancias relativas entre
las variables de entrada [ASE, K, NICS
zz
(1) y HOMA].
X
Fulvenos Heptafulvenos
X
X
Heterociclos
BH
2
-
CH
2
NH
O
NH
2
+
18.5
46.3
58.8
67.6
82.0
BH
2
-
CH
2
NH
O
NH
2
+
123.7
55.9
48.2
30.3
20.3
CH
-
NH
S
O
CH
2
13.1
14.3
16.3
21.3
41.5
BH
CH
+
89.0
170.6
Figura 13. Algunos compuestos empleados en la validacin de la red
junto con su correspondiente d
j
.
181
Aromaticidad: un concepto histrico con relevancia actual
2010 Real Sociedad Espaola de Qumica www.rseq.org An. Qum. 2010, 106(3), 173182
seguido del metilo, del flor y del grupo ciano. En general,
se observa una relacin lineal entre el grado de aromaticidad
del anillo y el nmero de sustituyentes, siendo los derivados
tetrasustituidos los menos aromticos.
Por el contrario, se ha observado que todos los sustituyen-
tes reducen considerablemente la antiaromaticidad del catin
ciclopentadienilo. Segn la red neuronal, el grupo ciano es el
sustituyente que induce una disminucin menor del grado de
antiaromaticidad del anillo, seguido del metilo, del flor y,
por ltimo, del grupo hidroxilo. En el catin ciclopentadie-
nilo, los grupos dadores de electrones estabilizan en mayor
grado al catin debido al efecto de deslocalizacin de la carga
positiva. En este caso, la incorporacin de un sustituyente en
la posicin 2 conduce a una estabilizacin mayor del catin
que si se introduce en la posicin 3. Por consiguiente, los deri-
vados hidroxilados 2,5- (129) y 2,3,5- (137) son los menos
antiaromticos y, de hecho, la red los sita en la frontera con
los sistemas no aromticos. Estos resultados abren la puerta
a la preparacin de nuevos ligandos catinicos con mayor
estabilidad que pudieran ser utilizados en complejacin de
aniones, nuevas especies reactivas, etc.
Una vez comprobada la utilidad de los mapas autoorga-
nizados para establecer relaciones cuantitativas estructura-
propiedad, los hemos aplicado para estudiar diversos derivados
de pirimidina con sustituyentes dadores y atractores de electro-
nes (compuestos con carcter push-pull), encontrando que la
aromaticidad disminuye a medida que aumenta la naturaleza
push-pull de estos compuestos.
[57]
Conclusiones
En sus orgenes, el estudio de los compuestos aromticos
fue fundamental en el desarrollo de la Teora Estructural de la
Qumica Orgnica.
[58]
Despus de 150 aos, la aromaticidad
sigue siendo un tema activo de investigacin con importantes
contribuciones espaolas.
[59]
Posiblemente, la razn principal
es que la aromaticidad (o la ausencia de ella, o el fenmeno
contrario, la antiaromaticidad) es una caracterstica qumica
que determina las estructuras molecular y supramolecular de
la materia, que tiene implicaciones en su funcin y, por lo
tanto, se puede usar en el diseo de materiales con propieda-
des tecnolgicas o biolgicas interesantes.
El trabajo desarrollado en nuestro grupo intenta establecer
una escala universal de aromaticidad basada en la distancia
Eucldea entre neuronas en un mapa autoorganizado. La
principal caracterstica conceptual del mtodo radica en el
hecho de que es capaz de usar una variedad de descriptores de
aromaticidad que tienen relaciones no-lineales entre ellos. El
mtodo podr ser mejorado si tenemos posibilidad de incluir
otros ndices de aromaticidad adicionales, pues cuantos ms
datos de entrada diferentes y con mayor ortogonalidad entre
ellos, ms fiable ser el resultado. Un inconveniente es que
muchos de los posibles ndices de aromaticidad son difciles
y costosos (en tiempo) de calcular o son aplicables solo a gru-
pos limitados de compuestos. Si estos problemas se solventa-
sen, el mtodo basado en las redes neuronales sera realmente
universal, aplicable a compuestos orgnicos e inorgnicos
[60]
estructuralmente muy diferentes.
Cual es la causa de la aromaticidad? Durante casi
50 aos, y basndose en la Teora de Orbitales Moleculares
desarrollada por Hckel a mediados de los aos 1930s,
[61]
se asumi que la estabilidad de un compuesto aromtico
era debida a la deslocalizacin de los electrones r. Sin
embargo, a mediados de los aos 1980s, Shaik desarroll
una aproximacin computacional, basada en la Teora del
Enlace de Valencia, que propone que el esqueleto v es
el responsable de la deslocalizacin electrnica, mientras
que los orbitales r tienden a localizar los electrones.
[62]
Este postulado, que est en contra de los conceptos que hemos
aprendido durante aos, ha sido recientemente confirmado
por Pierrefixe y Bickelhaupt a travs de un elegante anlisis
usando Teora de Orbitales Moleculares.
[63]
Es de esperar que
se siga investigando el origen de la aromaticidad y que este
cambio de paradigma se vea reflejado en los prximos cursos
acadmicos y libros de texto.
Agradecimientos
Parte de esta investigacin se ha descrito en la Tesis
Doctoral de M. A. y ha sido financiado por el Ministerio de
Educacin y Ciencia (CTQ2007-64891/BQU). M. A. agrade-
ce al MEC por la concesin de una beca FPU y al Centro de
Supercomputacin de Galicia (CESGA) por el tiempo com-
putacional en el superordenador SVGD.
Referencias
A. J. Ihde, 1. The Development of Modern Chemistry, Dover
Publications, New York, 1984.
A. Stanger, 2. Chem. Comm. 2009, 19391947.
J. A. Berson, 3. Chemical Discovery and the Logicians Program:
A Problematic Pairing, Wiley, Weinheim, 2003.
P. v. R. Schleyer, H. J. Jiao, 4. Pure Appl. Chem. 1996, 68 , 209218.
a) A. I. Boldyrev, L. S. Wang, 5. Chem. Rev. 2005, 105, 37163757.
b) D. Y. Zubarev, A. I. Boldyrev, J. Comput. Chem. 2007, 28,
251268.
Z. Chen, A. Hirsch, S. Nagase, W. Thiel and P. v. R. Schleyer, 6.
J. Am. Chem. Soc. 2003, 125, 1550715511.
M. K. Cyraski, 7. Chem. Rev. 2005, 105, 37733811.
a) L. Pauling, G. W. Wheland, 8. J. Chem. Phys. 1933, 1, 362374.
b) I. Fishtik, R. Datta, J. Phys. Chem. A 2003, 107, 1047110476.
c) Y. R. Mo, P. v. R. Schleyer, Chem. Eur. J. 2006, 12, 20092020.
a) P. George, M. Trachtman, C. W. Bock, A. M. Brett, 9. J. Chem.
Soc. Perkin Trans. 2 1976, 12221227. b) C. H. Suresh,
N. Koga, J. Org. Chem. 2002, 67, 19651968. c) C. H. Suresh,
N. Koga, Chem. Phys. Lett. 2006, 419, 550556.
S. E. Wheeler, K. N. Houk, P. v. R. Schleyer, W. D. Allen, 10. J. Am.
Chem. Soc. 2009, 131, 25472560.
M. K. Cyraski, P. V. Schleyer, T. M. Krygowski, H. J. Jiao, 11.
G. Hohlneicher, Tetrahedron 2003, 59, 16571665.
P. v. R. Schleyer, F. Plhofer, 12. Org. Lett. 2002, 4, 28732876.
I. Fernandez, G. Frenking, 13. Faraday Discuss. 2007, 135, 403421.
a) P. Lazzeretti, 14. Phys. Chem. Chem. Phys. 2004, 6, 217223.
b) T. Heine, C. Corminboeuf, G. Seifert, Chem. Rev. 2005, 105,
38893910.
a) P. Lazzeretti, 15. Prog. Nucl. Magn. Reson. Spectrosc. 2000, 36,
188. b) R. H. Mitchell, Chem. Rev. 2001, 101, 13011316.
C. S. Wannere, P. v. R. Schleyer, 16. Org. Lett. 2003, 5, 605608.
C. S. Wannere, C. Corminboeuf, W. D. Allen, H. F. Schaefer, 17.
P. v. R. Schleyer, Org. Lett. 2005, 7, 14571460.
182
Mercedes Alonso et al.
2010 Real Sociedad Espaola de Qumica www.rseq.org An. Qum. 2010, 106(3), 173182
W. H. Flygare, 18. Chem. Rev. 1974, 74, 653687.
a) H. J. Dauben, J. D. Wilson, J. L. Laity, 19. J. Am. Chem. Soc.
1968, 90, 811813. b) H. J. Dauben, J. D. Wilson, J. L. Laity,
J. Am. Chem. Soc. 1969, 91, 19911998.
a) W. Haberditzl, 20. Angew. Chem. Int. Ed. Engl. 1966, 5, 288298.
b) T. G. Schmalz, C. L. Norris, W. H. Flygare, J. Am. Chem. Soc.
1973, 95, 79617967.
P. v. R. Schleyer, C. Maerker, A. Dransfeld, H. J. Jiao, 21.
N. J. R. van Eikema Hommes, J. Am. Chem. Soc. 1996, 118,
63176318.
Z. Chen, C. S. Wannere, C. Corminboeuf, R. Puchta, P. v. R. Schleyer, 22.
Chem. Rev. 2005, 105, 38423888.
M. Alonso, J. Poater, M. Sol, 23. Struct. Chem. 2007, 18, 773783.
P. v. R. Schleyer, H. J. Jiao, N. J. R. van Eikema Hommes, 24.
V. G. Malkin, O. L. Malkina, J. Am. Chem. Soc. 1997, 119,
1266912670.
C. Corminboeuf, T. Heine, G. Seifert, P. v. R. Schleyer, J. Weber, 25.
Phys. Chem. Chem. Phys. 2004, 6, 273276.
a) A. Stanger, 26. J. Org. Chem. 2006, 71, 883893.
b) J. O. C. Jimenez-Halla, E. Matito, J. Robles, M. Sol,
J. Organomet. Chem. 2006, 691, 43594366.
a) C. G. Claessens, D. Gonzlez-Rodrguez, T. Torres, 27. Chem.
Rev. 2002, 102, 835853. b) T. Kawase, H. Kurata, Chem. Rev.
2006, 106, 52505273.
Z. Chen, R. B. King, 28. Chem. Rev. 2005, 105, 36133642.
C. W. Bird, 29. Tetrahedron 1985, 41, 14091414.
a) J. Kruszewski, T. M. Krygowski, 30. Tetrahedron Lett. 1972, 13,
38393842. b) T. M. Krygowski, J. Chem. Inf. Comput. Sci.
1993, 33, 7078.
T. M. Krygowski, M. K. Cyraski, 31. Tetrahedron 1996, 52,
17131722.
T. M. Krygowski, M. K. Cyraski, 32. Phys. Chem. Chem. Phys.
2004, 6, 249255.
T. M. Krygowski, B. T. Stepien, 33. Chem. Rev. 2005, 105, 34823512.
a) T. M. Krygowski, E. Pindelska, M. K. Cyraski, G. Hfelinger, 34.
Chem. Phys. Lett. 2002, 359, 158162. b) P. W. Fowler,
R. W. A. Havenith, L. W. Jenneskens, A. Soncini, E. Steiner,
Angew. Chem. 2002, 114, 16281630.
a) F. De Proft, P. Geerlings, 35. Chem. Rev. 2001, 101, 14511464.
b) F. D. Proft, P. Geerlings, Phys. Chem. Chem. Phys. 2004,
6, 242248.
a) J. Poater, M. Duran, M. Sol, B. Silvi, 36. Chem. Rev. 2005, 105,
39113947. b) G. Merino, A. Vela, T. Heine, Chem. Rev. 2005,
105, 38123841.
E. Matito, M. Duran, M. Sol, 37. J. Chem. Phys. 2005, 122, 014109.
M. Mandado, M. J. Gonzlez-Moa, R. A. Mosquera, 38. J. Comput.
Chem. 2007, 28, 127136.
M. Bhl, A. Hirsch, 39. Chem. Rev. 2001, 101, 11531184.
a) P. v. R. Schleyer, P. K. Freeman, H. Jiao, B. Goldfuss, 40.
Angew. Chem. Int. Ed. Engl. 1995, 34, 337340. b) L. Nyulszi,
P. v. R. Schleyer, J. Am. Chem. Soc. 1999, 121, 68726875.
a) A. R. Katritzky, P. Barczynski, G. Musumarra, D. Pisano, 41.
M. Szafran, J. Am. Chem. Soc. 1989, 111, 715. b) A. R.
Katritzky, M. Karelson, S. Sild, T. M. Krygowski, K. Jug, J.
Org. Chem. 1998, 63, 52285231.
a) A. R. Katritzky, K. Jug, D. C. Oniciu, 42. Chem. Rev. 2001, 101,
14211449. b) A. T. Balaban, D. C. Oniciu, A. R. Katritzky,
Chem. Rev. 2004, 104, 27772812.
a) T. M. Krygowski, A. Ciesielski, C. W. Bird, A. Kotschy, 43.
J. Chem. Inf. Model. 1995, 35, 203210. b) I. Alkorta, J. Elguero,
New J. Chem. 1999, 23, 951954. c) N. Sadlej-Sosnowska,
J. Phys. Org. Chem. 2004, 17, 303311. d) J. Poater,
I. Garca-Cruz, F. Illas, M. Sol, Phys. Chem. Chem. Phys.
2004, 6, 314318. e) J. I. Aihara, Bull. Chem. Soc. Jpn. 2008,
81, 241247.
M. K. Cyraski, T. M. Krygowski, A. R. Katritzky, 44.
P. v. R. Schleyer, J. Org. Chem. 2002, 67, 13331338.
F. Feixas, E. Matito, J. Poater, M. Sola, 45. J. Phys. Chem. A 2007,
111, 45134521.
S. Haykin, 46. Neural Networks. A Comprehensive Foundation,
2 ed., Prentice-Hall, New Jersey, 1999.
a) J. Zupan, J. Gasteiger, 47. Neural Networks for Chemists.
An Introduction, Wiley-VCH, Weinheim, 1993. b) J. Zupan,
J. Gasteiger, Neural Networks in Chemistry and Drug Design,
2 ed., Wiley-VCH, Weinheim, 1999.
T. Kohonen, 48. Self-Organizing Maps, 3 ed., Springer,
Berlin, 2001.
M. Alonso, B. Herradn, 49. Chem. Eur. J. 2007, 13, 39133923.
M. Alonso, B. Herradn, 50. J. Comp. Chem. 2010, 31, 917928.
M. Alonso, Tesis Doctoral, Universidad Complutense de 51.
Madrid, 2008.
A. Stanger, 52. Chem. Eur. J. 2006, 12, 27452751.
R. Breslow, 53. Acc. Chem. Res. 1973, 393398.
J. S. Sammon, 54. IEEE Trans. Computers 1969, C-18, 401409.
F. Feixas, E. Matito, J. Poater, M. Sol, 55. J. Comput. Chem. 2008,
29, 15431554.
M. Alonso, B. Herradn, 56. Phys. Chem. Chem. Phys. 2010, 12,
13051317.
M. Alonso, N. Martn, B. Herradn, 57. Symmetry 2010,
en revisin.
Un manuscrito describiendo el desarrollo de la Teora Estructural 58.
de la Qumica Orgnica est en preparacin (B. Herradn y
M. Alonso).
a) C. Garau, A. Frontera, D. Quionero, P. Ballester, A. Costa, 59.
P. Dey, Chem. Phys. Lett. 2004, 392, 8589. b) P. Sanz,
O. Mo, M. Yaez, J. Mol. Struct. Theochem 2005, 730, 217220.
c) J. M. Mercero, E. Formoso, J. M. Matxain, L. A. Eriksson,
J. M. Ugalde, Chem. Eur. J. 2006, 12, 44954502.
d) I. Alkorta,
F. Blanco, J. Elguero, J. Mol. Struct. Theochem 2008, 851,
7583. e) J. Rodrguez-Otero, E. M. Cabaleiro-Lago, A. Pena-
Gallego, Chem. Phys. Lett. 2008, 452, 4953. f) I. Fernndez,
F. M. Bickelhaupt, F. P. Cossio, Chem. Eur. J. 2009, 15,
1302213032. g) M. Mandado, R. A. Mosquera, Chem. Phys.
Lett. 2009, 470, 140146. h) E. Matito, M. Sol, Coord.
Chem. Rev. 2009, 253, 647665. i) J. I. Wu, F. P. Pulhofer,
P. v. R. Schleyer, R. Puchta, B. Kiran, M. Mauksch, N. Hommes,
I. Alkorta, J. Elguero, J. Phys. Chem. A 2009, 113, 67896794.
A. C. Tsipis, 60. Phys. Chem. Chem. Phys. 2009, 11, 82448261.
P. J. Garrat, 61. Aromaticidad, Editorial Alhambra, Madrid, 1974.
S. S. Shaik, A. Shurki, D. Danovich, P. C. Hiberty, 62. Chem. Rev.
2001, 101, 15011529.
S. C. A. H. Pierrefixe, F. M. Bickelhaupt, 63. Chem. Eur. J. 2007,
13, 63216328.