DENTA: A Dual Enzymatic Nanoagent for Self‐Activating Tooth Whitening and Biofilm Disruption
Notice bibliographique
Résumé
Abstract Traditional tooth whitening agents, particularly those based on hydrogen peroxide, are effective in achieving significant dental whitening but are prone to side effects such as tooth hypersensitivity and structural damage because of the highly concentrated production of reactive oxygen species (ROS). Although various nanoparticles, including metal oxides, ceramics, and piezoelectric materials, have been explored as alternative whitening agents, they often exhibit limitations such as insufficient ROS generation, poor biocompatibility, and an increased risk of bacterial infections. In this study, an innovative nanoapatite‐based whitening material is presented, termed DENTA (Dual Enzymatic Nanoagent for Tooth‐whitening and Antibiofilm Activity), which harnesses dual enzyme catalysis by integrating glucose oxidase and catalase. Designed to penetrate the dentinal tubules, DENTA leverages naturally occurring salivary glucose to continuously produce ROS, enabling effective and prolonged whitening while mitigating the side effects of conventional agents through controlled and reduced ROS concentrations. Moreover, DENTA exhibits distinctive antibacterial activity driven by glucose‐responsive ROS generation within biologically relevant concentration ranges, while maintaining excellent biocompatibility with oral cells under glucose‐supplemented conditions. This groundbreaking enzymatic nano‐whitening approach, validated under simulated tooth‐brushing conditions, positions DENTA as a promising candidate for safe, effective, and multifunctional tooth whitening in practical at‐home applications.
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) | 0,000 | 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 ».