开发新型能量转移催化剂的底物目前仍是个艰巨的任务，实验和理论计算鉴定能够通过能量转移机理方式进行光催化的反应受限于时间和价格方面的缺点。

有鉴于此，明斯特大学Frank Glorius等报道一种EnTdecker能够通过机器学习技术筛选具有前景的反应分子，对这些分子的激发态性质进行预测。

主要内容

（1）

建立了涵盖主要有可能EnT催化的包括34000种分子的数据集，通过模型训练，通过荧光数据进行实验以及文献相关结果再次进行验证。这种EnTdecker能够降低与激发态性质有关的计算，能够用于筛选具有前景的EnT催化剂，增加EnT催化的成功率。

参考文献

Leon Schlosser, Debanjan Rana, Philipp Pflüger, Felix Katzenburg, and Frank Glorius*, EnTdecker − A Machine Learning-Based Platform for Guiding Substrate Discovery in Energy Transfer Catalysis, J. Am. Chem. Soc. 2024

DOI: 10.1021/jacs.4c01352

https://pubs.acs.org/doi/10.1021/jacs.4c01352