Triglysiinin vesiliuoksen röntgenabsorptiospektrin tilastollinen analyysi

Abstract

Molekyylit koostuvat ytimistä ja elektroneista, joiden mallinnus toteutetaan usein erikseen niiden massaeron takia. Ydinkonfiguraatio eli molekyylin muoto voidaan mallintaa klassisesti, mutta elektronirakenne vaatii kvanttimekaniikan soveltamista erilaisten approksimaatioiden kera. Elektronit sijoittuvat ydinten ympäristöön molekyyliorbitaaleille, joiden ominaisuuksia voidaan kokeellisesti analysoida esimerkiksi röntgenabsorptiospektroskopialla. Menetelmässä mitataan systeemin absorptiovaikutusala fotonin energian funktiona. Spektroskopiaa käytetään laajasti aineen atomitason rakenteen tutkimukseen.

Tässä työssä tarkastelen veteen liuenneen triglysiinimolekyylin ominaisuuksien vaikutusta simuloidun röntgenabsorptiospektrin muotoon. Systeemin ydinkonfiguraatiojakauma on luotu laskennallisesti klassisella molekyylidynamiikalla, ja simuloin sen typpiatomien K-reunan spektrejä tiheysfunktionaaliteoriaa hyödyntävällä ohjelmistolla. Parametrisoin ydinkonfiguraation ottaen huomioon molekyylin muodon sisäisiä koordinaatteja käyttäen sekä veden vaikutuksen liuoskuorten ja vetysidosten lukumäärän avulla. Tarkastelen tilastollisesti näiden rakenneparametrien vaikutusta spektrin eri alueisiin. Sovellan työssä korrelaatioanalyysiä ja lisäksi tarkastelen kahden koneoppimiseen pohjautuvan menetelmän toimivuutta uusina analyysityökaluina.

Tulokseni indikoivat, että triglysiinin spektrin muotoon vaikuttaa merkittävästi tietty joukko rakenneparametreja. Näistä merkittävimpinä esiintyvät usein typen lähiympäristön ja pääketjun atomien ominaisuudet, kuten sidospituudet ja dihedraalit. Erityisen huomattavaa on proteiinin sekundääristä rakennetta kuvaavien Ramachandran-kulmien esiintyminen merkittävinä spektrin eräiden alueiden kannalta. Röntgenspektroskopia voi siis tulosteni perusteella tuoda uutta tietoa proteiinien rakenteesta niille luonnollisessa liuosympäristössä. Analyysimenetelmistä korrelaatio sekä tämän rinnalla kulmakerroin toivat vakaimman tuloksen. Koneoppimiseen pohjautuvista menetemistä satunnaismetsän tärkeysparametri on myös lupaava uusi työkalu rakenneparametri--spektri-yhteyden analysoinnissa.