Evolution guidée par machine learning de photocatalyseurs organiques dérivés d’(iso)alloxazine par fonctionnalisation tardive – EVOLUTION-AZINE

L'utilisation de l’énergie lumineuse afin de réaliser des transformations chimiques est l'une des méthodologies synthétiques les plus efficaces et les plus durables. Les complexes de coordination basés sur des métaux nobles tels que le ruthénium et l'iridium ont introduit un un nouveau paradigme en photocatalyse. Les photocatalyseurs organiques offrent des promesses de durabilité accrue et des perspectives attrayantes, mais la réalisation de leur pouvoir synthétique nécessite le contrôle de leurs propriétés photophysiques. Les flavines et les alloxazines sont des photocatalyseurs polyvalents bioinspirés prometteurs qui peuvent fonctionner par selon plusieurs mécanismes, notamment le transfert d'électrons et le transfert d'énergie, mais qui ne peuvent pas être facilement dérivatisés. L'objectif de ce projet est de développer une nouvelle approche basée sur la fonctionnalisation tardive des (iso)alloxazines couplée à une plateforme d'optimisation guidée par data science afin d'accélérer la découverte de nouveaux photocatalyseurs bioinspirés. Cette conception rationnelle des photocatalyseurs permettra une évolution moléculaire facile et conduira à des activités catalytiques améliorées.