Gene expression profiling in human whole blood samples after controlled testosterone application and exercise
Notice bibliographique
Résumé
Doping with anabolic agents is regulated within a number of sports. Testosterone and its functional analogs are popular compounds for increasing muscle mass, physical performance, recovery, and reducing body fat. While routine tests for anabolic drugs exist (e.g. hair, urine, and blood analysis), the aim of the present study is to determine specific gene expression profiles (induced by testosterone and exercise) which may be used as effective biomarkers to determine the use of anabolic drugs. In this study, whole blood samples of 19 male volunteers were analyzed by semi-quantitative real-time polymerase chain reaction (RT-PCR) for gene expression profiles in the context of exercise and transdermal testosterone application (1.5 mg/kg body weight). The hormone application was monitored by urine and saliva analysis for testosterone. Both urinary and saliva levels indicate that transdermal testosterone application leads to an increase of testosterone, especially after exercise. RT-PCR results showed a clear variation in the expression of target genes as well as established housekeeping genes. Only one of the nine common housekeeping genes, cyclophilin b (PPIB), appears to be independent of both exercise and testosterone. Out of 14 candidate genes, five are unregulated; all others were more or less influenced by the mentioned variables. Only interleukin-6 appeared to be exclusively dependent on long-term testosterone application. This study indicates that many genes are not influenced by testosterone alone while exercise modulates gene expression in whole blood samples. As such, exercise must be considered when validating gene expression techniques for doping analysis.
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 ».