fi=114 Fysiikka|sv=114 Fysik|en=114 Physical sciences|https://www.doria.fi:443/handle/10024/920712024-03-29T07:00:30Z2024-03-29T07:00:30ZKontrollerad dopning av aktiva lagret i organiska solcellerGennadiev, Jevgenihttps://www.doria.fi:443/handle/10024/1886702024-02-28T09:30:13Z2024-02-28T09:14:39ZKontrollerad dopning av aktiva lagret i organiska solceller
Gennadiev, Jevgeni
Organiska tunnfilmssolceller har en betydande potential som en miljövänlig energikälla. Dessa solceller har tack vare sina fördelaktiga möjligheter till enkel och kostnadseffektiv tillverkning blivit ett av de mest lovande alternativen till de kommersiella kiselsolcellerna. Avhandlingen fokuserar på en av de största utmaningarna för organiska tunnfilmssolceller, nämligen att förbättra deras prestanda när de aktiva lagren är tjockare. I avhandlingen undersöks möjligheten att avsiktlig dopa det aktiva lagret i organiska solceller för att förbättra prestandan hos tjockare solceller. Ett tjockare aktivt lager underlättar massproduktionen av organiska solceller.
I avhandlingen tillverkas och mäts solceller med ett aktivt lager bestående av ett organiskt halvledarmaterial lösblandat med en metallorganisk dopningsmolekyl. Dopningsmolekylerna har resulterat i en dopning av den organiska halvledaren, vilket verifierats genom kapacitans-spänning mätning och jämförelse med dopningsfria solceller. Dopningskoncentrationen ökade med ökad mängd tillsatt dopningsmolekyler. Avhandlingen bekräftar att låg dopning förbättrar prestandan hos de tjockare organiska solcellerna och visar att det är möjligt att kontrollera dopningskoncentration genom att justera mängden tillsatt dopningsmolekyler. Avhandlingen understryker värdet av att avsiktlig dopa det aktiva lagret hos framtida organiska halvledarmaterial.
2024-02-28T09:14:39ZIDT-BT som halvledare i jonmodulerade fälteffekttransistorerJern, Jonashttps://www.doria.fi:443/handle/10024/1885302024-02-07T10:00:16Z2024-02-07T09:40:24ZIDT-BT som halvledare i jonmodulerade fälteffekttransistorer
Jern, Jonas
Elektrolytmodulerade organiska fälteffekt transistorer, EGOFET:ar, har potential för billig och storskalig produktion för användning i biosensorer. Biosensorer baserade på EGOFET:ar har uppvisat förmåga att detektera biomarkörer med en koncentration på zeptomolar nivå, 10−21 mol/l. Detta leder till stort intresse för användning av EGOFET:ar i biosensorer. För pålitliga sensorer krävs kunskap om halvledarmaterialen som används i sensorerna, hur de påverkas av elektrisk stress samt EGOFET-miljön.
Indacenodithiophene-co-benzothiadiazole, IDT-BT, är ett modernt organiskt halvledarmaterial med hög prestanda, som inte är väl utforskat som halvledarmaterial i EGOFET:ar. Med användning av försökplaneringsmetoden 23 faktoriell design optimeras tillverkningsreceptet för transistorerna genom analys av tre tillverkningsparametrar. Dessa parametrar är koncentrationen av halvledare, värmebehandlingstemperaturen och värmebehandlingstiden. Analysen demonstrerar att koncentrationen har störst påverkan på IDT-BT transistorprestandan, där lägre koncentration av halvledare producerade transistorer med högre prestanda. Mekanismen bakom denna prestandaförbättring kunde inte enbart förklaras av skillnad i filmstruktur. I detta arbete demonstreras dessutom långtidsprestanda på en transistor genom en månads användning med över 20 000 överföringsmätningar utan större degradering av prestandan.
Påverkan av många olika faktorer på tillverkningen samt mätningen av transistorerna konstateras också, vilket leder till att det finns flera konkreta områden för vidare studier.
2024-02-07T09:40:24ZAssessing accuracy of machine learning-based protein structure prediction model with molecular dynamics stabilization simulationsMalm, Cajsahttps://www.doria.fi:443/handle/10024/1869792023-04-26T07:30:23Z2023-04-26T07:03:14ZAssessing accuracy of machine learning-based protein structure prediction model with molecular dynamics stabilization simulations
Malm, Cajsa
Med dagens teknik är det möjligt att syntetiskt skapa material med önskade egenskaper. Kärnan i den här avhandlingen är digital design av material. Med hjälp av bioteknik är det möjligt att bygga godtyckliga proteiner med önskad aminosyrauppsättning. För forskningsvärlden är det önskvärt att kunna förutsäga hur ett slumpmässigt utvalt protein kommer att vika sig samt skapa nya syntetiska proteiner med valfri tredimensionell struktur. Målet med avhandlingen är att testa noggrannheten hos en AlphaFold-ekvivalent maskininlärningsmodell på syntetiskt konstruerade ideala tandemupprepningsproteiner genom att köra dem genom molekylärdynamiksimuleringar i Gromacs.
Det har länge varit känt att strukturen är kritisk för att ett protein ska kunna fungera som det ska, men det finns ännu mycket som behöver utvecklas för att förstå sambandet mellan sekvens, struktur och funktion. Databaserade beräkningsverktyg behövs som stöd för materialutveckling, eftersom det finns oändligt många kombinationer av aminosyror och det är omöjligt att experimentellt undersöka dem alla. Maskininlärningstekniker är snabbare och mer kostnadseffektiva. Maskininlärningsmodellen kan också föreslå nya sekvenser som inte har testats. Mitt arbete undersöker stabiliteten hos de strukturer som har förutspåtts, vilket senare kan användas som data tillbaka till maskininlärningsmodellen.
År 2020 vann DeepMind Technologies överlägset med AlphaFold2, vilket var ett stort steg för maskininlärningsbaserad förutsägelse av proteinstrukturer. DeepMind tävlade först med AlphaFold1 i CASP13, men AlphaFold2 var en betydande uppgradering. Strukturerna för proteinerna i proteindatabanken PDB bestäms experimentellt med röntgenkristallografi, kärnmagnetisk resonansspektroskopi eller elektronmikroskopi. AlphaFold tränades att hitta mönster bland dessa proteiner och kunde inte ha gjorts utan existerande experimentella data. AlphaFold är bättre på att förutsäga sidokedjor och letar även efter evolutionära kopplingar till proteinerna i sina förutsägelser.
Maskininlärningsalgoritmer matas med befintliga data och använder de för att hitta mönster och förutsäga resultat för godtyckliga indata, dvs. ju mer kända data maskininlärningsmodellen har, desto bättre kommer förutsägelserna att bli. Maskininlärningsmodeller minskar mänskliga påverkningar, vilket kan leda till nya upptäckter. En nackdel med maskininlärningsmodeller är att de förlitar sig på bekanta data, vilket innebär att det alltid finns en möjlighet att indata är för obekanta för att maskininlärningsmodellen ska kunna bearbeta dem.
AlphaFold har bidragit till att lägga till förutspådda strukturer för det mänskliga proteomet och andra organiska proteiner. Den höga noggrannheten hos AlphaFold baseras på lokal atomprecision med låg standardavvikelse. När man undersöker närmare, uppvisade även dessa dåligt förutspådda regioner. Studier visar att AlphaFold endast kan förutsäga 40 % av det mänskliga proteomet med ett högt konfidensintervall.
Studier visar att AlphaFold-modellen har svårigheter att förutsäga delar som kan bilda alternativa konformationer samt förhållandet mellan olika domäner. Det finns forskning som tyder på att komplettering av experimentell information, t.ex. elektrondensitetskartor och avstånd mellan sidokedjor, ökar prediktionsnoggrannheten. En densitetskarta kan skapas med kristallografiska data från PDB och jämföras med en densitetskarta som erhålls genom att itererade AlphaFold-predicerade strukturerna. Jämförelserna visar att proteiner som ansetts ha en korrekt struktur i många fall består av felaktigt förutsagda domänorienteringar på global nivå och fel i ryggrad och sidokedjor på lokal nivå.
Maskininlärningsmodellen som strukturstabilitetsanalyserna baseras på är jämförbar med AlphaFold. Dessa maskininlärningsförutsägelser är användbara för att förutsäga den initiala strukturen, baserat på dihedriska vinklar, men har fortfarande stora avvikelser jämfört med experimentellt bestämda strukturer och kan för närvarande inte ersätta experiment. Resultaten av denna avhandling visar att de flesta av de maskininlärning förutsagda strukturerna som undersöktes inte är stabila under molekyldynamiksimuleringar.
Gromacs är ett simuleringsprogram för molekylär dynamik som är användbart vid undersökningen av proteinstabilisering. Simuleringarna är baserade på peptider som består av upprepade aminosyraenheter. De ursprungliga peptiderna var 210–300 aminosyror långa. På grund av den stora beräkningsbelastningen reducerades peptiderna initialt till kortare sekvenser för att få en förståelse för deras beteende.
Oönskat beteende i MD-simuleringarna innebär att ML-modellen misslyckas med att förutsäga proteinstrukturen korrekt. Ett sätt att bestämma framgången med maskininlärningsförutsägelsen är att titta på icke-fysiskt beteende i proteinerna. Problem under simuleringarna uppstod huvudsakligen av överlappande atomer. Istället för att utesluta dessa proteiner helt och hållet tillämpades ett extra steg i simuleringen för att separera atomerna från varandra. Dessa steg kan vara användbara i inlärningen av maskininlärningsmodellen. De korrigerade strukturerna är initialt icke-fysikaliska, men kan hjälpa till att justera maskininlärningsmodellen mot mer exakta förutsägelser och ge information om oönskat beteende. Upptäckterna i denna avhandling tyder på att det finns utrymme för förbättringar i ML-modellen. Även om strukturerna överlag är väl förutspådda, kan experimentella data hjälpa till att justera proteinet på en mer detaljerad nivå. När en region är fixerad korrigeras även resten av proteinet, vilket utnyttjas i en iterativ korrigeringsprocess.; The ability to synthetically create materials with desired properties has been greatly enhanced by advances in biotechnology. One important application of biotechnology is the design of synthetic proteins with the ability to fold in any confguration and predict their folding in advance. However, the connection between sequence, structure, and function is not yet fully understood, and there are endless combinations of amino acids that cannot be experimentally examined. Therefore, computational tools such as machine learning techniques are needed to guide material development.
This thesis evaluates the accuracy of machine learning-based protein structure predictions by subjecting the predicted structures to molecular dynamics simulations using Gromacs software. The focus of the study is on synthetically constructed perfect tandem repeat proteins, and the goal is to test the stability of the predicted structures. The RMSD metric, often used to compare the structural similarity of proteins during molecular dynamics simulations, has limitations in its interpretation. To address this, a new measure of structural similarity called ρsc is proposed and used to assess the stability of the proteins.
The results of the simulations show that many of the proteins generated by the machine learning model are unstable, with signifcant conformational changes observed. This suggests that the current model may not accurately predict the stability of all proteins. The predicted proteins also contained nonphysical structures with overlapping atoms. The study highlights the importance of combining machine learning approaches with other computational approaches to improve the accuracy of protein structure prediction.
In conclusion, this study provides insights into the limitations of current machine learning models for protein structure prediction, and suggests the need for further research to better understand the underlying reasons for the observed instability. These findings could lead to improvements in protein design and prediction, ultimately leading to the creation of more advanced and functional materials with desired properties.
2023-04-26T07:03:14ZFörekomsten av tritium vid produktion av 18FSinisalo, Lottahttps://www.doria.fi:443/handle/10024/1866882023-03-09T09:00:14Z2023-03-09T08:33:22ZFörekomsten av tritium vid produktion av 18F
Sinisalo, Lotta
Syftet med avhandlingen är att ta reda på hur mycket tritium som bildas och vart tritium tar vägen vid Nationella PET-centrets produktion av 18F. Radiofarmaka märkt med 18F används vid positronemissionstomografi, som är en avbildningsteknik var patienten injiceras med radioaktiva märksubstanser och placeras sedan i en PET-kamera. Då radiofarmakan sönderfaller detekterar PET-kameran radioaktivitetsfördelningen i undersökningsområdet och producerar en tredimensionell avbildning.
Produktionen av radiofarmaka med 18F är en flerstegsprocess och vid det första steget bestrålas 18O-anrikat vatten med protoner som har accelererats med en cyklotron. Vid bestrålningen bildas 18F, och tritium som en biprodukt. För avhandlingen har det analyserats prov från det bestrålade vattnet, samt från de påföljande stegen i syntesen där det bestrålade vattnet leds genom en anjonbytare för att fånga upp fluor, varefter en kaliumkarbonatlösning används för att skölja ut fluoret ur anjonbytaren. Flera steg i processen kunde inte analyseras, men däremot analyserades en slutprodukt.
Mätningarna av tritium utfördes med en vätskescintillationsräknare, LSC, som mätte antalet sönderfall från vätskeprov. Tritium sönderfaller spontant via β—-sönderfall, och avger β-strålning med en låg kinetisk energi. För att LSC ska kunna detektera låg energisk strålning, kräver metoden en scintillationsvätska som omvandlar β-strålning till en ljussignal.
Mätningarna utfördes genom att blanda vätskeprov med dejoniserat vatten och scintillationsvätska. Resultaten från mätningarna visade att det bildas en hel del tritium vid bestrålning av 18O-anrikat vatten. Mängden tritium i slutprodukten kunde inte verifieras. En liten mängd tritium uppmättes i slutprodukten, men resultatet hade en stor osäkerhet och kunde vara bakgrundsfluktuationer. Mätningarna gav inte entydiga svar på vart tritium tar vägen i syntesförloppet. Avhandlingen bidrar till PET-centrets intresse av ökad patientsäkerhet och kan fungera som bas för vidareforskning.
2023-03-09T08:33:22Z