Maßgeschneiderter Kohlenstoff hilft bei der Erkennung von Erbkrankheiten

Neues Verfahren erweitert Wissen über kohlenstoffbasierte Materialien

18.11.2019 - Finnland

Sensoren, die aus kohlenstoffbasierten Materialien hergestellt werden, können einzigartig genaue und Echtzeit-Informationen über Erbkrankheiten oder die Konzentration von Medikamenten im Körper liefern. Neben der Medizin werden kohlenstoffhaltige Materialien in Batterien, Solarzellen und zur Wasseraufbereitung eingesetzt.

Andere Elemente, wie Wasserstoff und Sauerstoff, sind in kohlenstoffbasierten Materialien fast immer vorhanden, was die Eigenschaften der Materialien verändert. Daher erfordert die Modifikation von Materialien für gewünschte Anwendungen Kenntnisse auf atomarer Ebene über Kohlenstoffoberflächenstrukturen und deren Chemie. Forscher der Aalto University, der University of Cambridge, der University of Oxford und der Stanford University haben nun einen bedeutenden neuen Schritt nach vorne getan, um die atomare Natur von kohlenstoffhaltigen Materialien zu beschreiben.

Detaillierte Informationen über Kohlenstoffoberflächen können durch Röntgenspektroskopie gewonnen werden, aber das Spektrum, das sie erzeugt, ist schwierig zu interpretieren, da sie Informationen aus mehreren lokalen chemischen Umgebungen der Oberfläche zusammenfasst. Die Forscher haben eine neue systematische Analysemethode entwickelt, die maschinelles Lernen nutzt, um das Computermodell (Dichtefunktionaltheorie) mit den experimentellen Ergebnissen der Kohlenstoffprobe zu integrieren. Die neue Methodik ermöglicht es, das durch Röntgenspektroskopie erzeugte experimentelle Spektrum in Daten auf atomarer Ebene zu zerlegen.

In der Vergangenheit wurden experimentelle Ergebnisse unterschiedlich interpretiert, basierend auf unterschiedlichen Literaturreferenzen, aber jetzt konnten wir die Ergebnisse nur mit Hilfe von Rechenreferenzen analysieren. Die neue Methode gibt uns ein viel besseres Verständnis der Kohlenstoffoberflächenchemie ohne menschliche Verzerrung", sagt Anja Aarva, Doktorandin an der Aalto University.

Das neue Verfahren erweitert das Wissen über kohlenstoffbasierte Materialien

In einer zweiteiligen Studie untersuchten die Forscher zunächst, wie unterschiedlich gebundener Kohlenstoff die Bildung des experimentellen Spektrums qualitativ beeinflusst. Die Forscher versuchten dann, das gemessene Spektrum mit Computerspektrum-Referenzdaten zu aggregieren, um eine quantitative Schätzung dessen zu erhalten, woraus das experimentelle Spektrum besteht. Dies sollte ihnen helfen zu bestimmen, was die Art der Kohlenstoffprobe auf atomarer Ebene ist. Die neue Methodik eignet sich für die Analyse der Oberflächenchemie verschiedener Kohlenstoffformen wie Graphen, Diamant und amorphem Kohlenstoff.

Die Studie ist eine Fortsetzung der Arbeit des Postdoc-Forschers Miguel Caro und des Professors Volker Deringer von der Oxford University, die die Struktur und Reaktivität von amorphem Kohlenstoff umfassend kartiert haben. Die Studie verwendet maschinelle Lernmethoden, die von Professor Volker Deringer und Professor Gabor Csányi von der Universität Cambridge entwickelt wurden. Experimentelle Messungen wurden von Sami Sainio, einer in Aalto ansässigen Postdoc-Forscherin an der Stanford University, durchgeführt.

Als nächstes wollen wir mit der von uns entwickelten Methodik beispielsweise vorhersagen, welche Art von Kohlenstoffoberfläche für die elektrochemische Identifizierung bestimmter Neurotransmitter am besten geeignet ist, und dann versuchen, die gewünschte Oberfläche zu erzeugen. Auf diese Weise würde die computergestützte Arbeit die experimentelle Arbeit leiten und nicht umgekehrt, wie es in der Vergangenheit der Fall war", sagte Tomi Laurila, Professor an der Aalto University.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Anja Aarva et al.; "Understanding X-ray Spectroscopy of Carbonaceous Materials by Combining Experiments, Density Functional Theory, and Machine Learning. Part I: Fingerprint Spectra"; Chemistry of Materials; 2019

Anja Aarva et al.; "Understanding X-ray Spectroscopy of Carbonaceous Materials by Combining Experiments, Density Functional Theory, and Machine Learning. Part II: Quantitative Fitting of Spectra"; Chemistry of Materials; 2019

https://www.analytica-world.com/de/news/1163737/massgeschneiderter-kohlenstoff-hilft-bei-der-erkennung-von-erbkrankheiten.html