Secretome products derived from human induced pluripotent stem cells for cell-free bone tissue engineering

Abstract

Die Materialwissenschaft profitiert erheblich von den rasanten Entwicklungen im Bereich des maschinellen Lernens und der breiten Verfügbarkeit von Grafikprozessoren. Insbesondere werden maschinell erlernte Kraftfelder (MLFFs) zunehmend in einer Vielzahl von Anwendungen,wie beispielsweise Molekulardynamik-Simulationen oder evolutionären Algorithmen,anstelle von Dichtefunktionaltheorie-(DFT)-Codes eingesetzt. Dadurch werden Rechenzeitenum Größenordnungen reduziert und es können wesentlich größere Systeme simuliert werden.Das archetypische Perowskitoxid Strontiumtitanat (SrTiO3) und insbesondere seine Oberflächenspielen eine zentrale Rolle in zahlreichen technologischen Anwendungen, wie etwa Photovoltaik und Katalyse. SrTiO3-Oberflächen rekonstruieren, was bedeutet, dass sich die Periodizität und Stöchiometrie der äußeren Schichten vom Festkörperkristall unterscheiden.Die Charakterisierung und Modellierung solcher Rekonstruktionen in atomarer Auflösung ist wesentlich für technologischen Fortschritt.Im Mittelpunkt dieser Arbeit steht die Untersuchung atomarer Modelle der polaren, (110)-orientierten SrTiO3-Oberflächen mit (n × 1)-Periodizität relativ zur (1 × 1)-Einheitszelle des Festkörperkristalls. Ein Ziel ist es, die verschiedenen experimentell beobachtbaren Motive zu modellieren. Diese Motive reichen von (n × 1)-Rekonstruktionen mit vergleichsweise geringerem Ti-Gehalt in den äußeren Schichten, bis hin zu (2 × m)-Rekonstruktionen mit entsprechend höherem Ti-Anteil.Für die Analyse der zugehörigen Potentialhyperflächen wurden MLFFs auf limitierten DFT-Daten trainiert und zusammen mit der Covariance Matrix Adaptation Evolution Strategy (CMA-ES) eingesetzt. In der ersten Studie wurde diese Methode erfolgreich zur Untersuchung von SrTiO3(110)-(n × 1) Rekonstruktionen angewendet und die Eignung der gewählten Methode bestätigt. Für die Studie von größeren und komplexeren Systemen wurde ein Active Learning-Ansatz (AL) zur iterativen Verbesserung der MLFFs implementiert. Sowohl ein schnell trainierbares, invariantes deskriptor-basiertes MLFF als auch ein hochpräzises,äquivariantes message passing MLFF wurden genutzt. Das AL wurde durch Methoden zur Unsicherheitsabschätzung basierend auf interatomaren Kräften ermöglicht, die sowohl auf ganze Strukturen als auch auf lokale Umgebungen angewendet wurden.Zudem wurde in der zweiten Veröffentlichung das Python-Framework Clinamen2 Kurzfassung entwickelt, das die benötigten Funktionen für das AL und die CMA-ES basierte Suche bereitstellt.In der abschließenden Veröffentlichung wurden vier neue atomare Modelle zu SrTiO3(110)-(2 × m) Motiven mit hohem Ti-Anteil identifiziert. Diese Motive finden sich alle auf einer einzigen inhomogenen Oberflächenprobe wieder. Zu den Ergebnissen dieser Arbeit gehören eine Datenbank mit verschiedenen SrTiO3(110)-(n × m) Strukturen und darauf trainierte MLFFs, sowie ein Workflow, der auch auf andere komplexe Materialien anwendbar ist.