Tissue structure, and IL‐1β, IL‐8, and TNF‐α secretions after contact by engineered human oral mucosa with dentifrices
Notice bibliographique
Résumé
The use of dentifrice is part of an oral prophylaxis that aims at keeping bacteria in check within the dental plaque. When introduced into the oral cavity, dentifrice also comes in close contact with the oral epithelium. Our goal was to evaluate the effects of dentifrices on tissue structure and pro-inflammatory mediator release by epithelial cells. For this purpose, tri-dimensional engineered human oral mucosa (EHOM) was produced using normal human palatal fibroblasts and epithelial cells. EHOMs were either treated with Aquafresh(R) or Crest(R) for 1, 4, 8, and 24 h, or untreated, then used for cell viability assessment and structural analyses. Cultured supernatants were used to evaluate cytokine (interleukin (IL)-1beta, IL-8 and tumor necrosis factor (TNF)-alpha) secretion, and metalloproteinase (MMP)-2 and -9 activities. The present in vitro study using engineered oral mucosa confirms that dentifrices (Aquafresh and Crest) contribute to tissue desquamation. The desquamation was substantial at 24 h of contact but was limited to the upper layers of the treated tissues. Cell death in these tissues was not increased, suggesting that the dentifrice had accelerated desquamation of the layers containing differentiated cells. Measurement of cytokines revealed that dentifrices up-regulated IL-1beta while down-regulating IL-8 and TNF-alpha secretion, thus indicating an impaired cascade of inflammatory responses. These dentifrices may also impair normal repair mechanisms as suggested by an up-regulation of gelatinase activities. In conclusion, this study suggested that, via cytokines, dentifrice contributes to the modulation of the inflammatory (pro-inflammatory/anti-inflammatory responses) process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».