Role of Titanium Surface Topography and Surface Wettability on Focal Adhesion Kinase Mediated Signaling in Fibroblasts
Notice bibliographique
Résumé
Changes of titanium surface roughness and surface free energy may influence protein absorption that increases cell differentiation through activation of focal adhesion kinase related pathways. However, the influence of titanium surface roughness and hydrophilicity on fibroblast behavior is not well understood. The aim of this study was to investigate the influence of topography and hydrophilicity on fibroblast attachment, spreading, morphology, intracellular signaling, proliferation, and collagen I mRNA levels. Using a cellular FAK knockout (FAK−/−) model and wild-type (WT) controls, we also investigated the contribution of adhesion in fibroblasts cultured on smooth (PT), sand-blasted, large grit, acid-etched (SLA) and hydrophilic SLA topographies. Loss of FAK did not significantly affect fibroblast attachment to any surface, but SLA and hydrophilic SLA surface attenuated spreading of WT cells significantly more than FAK−/− fibroblasts. Both FAK−/− and WT cells formed numerous focal adhesions on PT surfaces, but significantly less on SLA and hydrophilic SLA surfaces. In WT cells, phosphorylation levels of FAK were lower on SLA and hydrophilic SLA in comparison with PT 24 h post seeding. Labeling of cells with antibodies to cortactin showed that FAK−/−cells contained significantly more cortactin-rich focal adhesion in comparison with WT cells on PT surfaces, but not on SLA or hydrophilic SLA. ERK 1/2 phosphorylation was highest in WT cells on all surfaces which correlated with collagen I expression levels. We conclude that fibroblasts are sensitive to changes in surface roughness and hydrophilicity, with adhesive interactions mediated through FAK, an important modulator of fibroblast response.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».