Titanium Substratum Roughness as a Determinant of Human Gingival Fibroblast Fibronectin and α-Smooth Muscle Actin Expression
Notice bibliographique
Résumé
The most appropriate surface treatment to enhance gingival connective tissue formation on the abutment of dental implants remains undefined, with healing associated with a scar-like response. We have previously shown that topographies with an arithmetic average of the absolute profile height deviations (Ra) = 4.0 induces an anti-fibrotic phenotype in human gingival fibroblasts (HGFs) by causing nascent adhesion formation. With bacterial colonization considerations, we hypothesized that a lower Ra could be identified that would alter adhesion stability and promote a matrix remodeling phenotype. Focal adhesions (FAs) area decreased with increasing roughness, although no differences in cell attachment or proliferation were observed. Alpha smooth muscle actin (α-SMA) protein levels were significantly reduced on Ra = 3.0 and 4.0 vs. 0.1 (p < 0.05), with incorporation of α-SMA into stress fibers most prominent on Ra = 0.1. Fibronectin protein levels were reduced on 3.0 and 4.0 vs. 0.1 (p < 0.05), and Ra = 1.5 and deeper significantly altered fibronectin deposition. Addition of exogenous TGF-β3 increased HGF adhesion size on 0.1 surfaces, but not on any other topography. We conclude that Ra = 1.5 is sufficient to reduce adhesion size and inhibit α-SMA incorporation into stress fibers in HGFs, but 3.0 is required in the presence of exogenous TGF-β3. Our findings have implications for inhibiting fibrotic tissue formation surrounding percutaneous devices such as dental implants.
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 | 0,000 | 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 ».