Effects of carbohydrate availability on sustained shivering II. Relating muscle recruitment to fuel selection
Notice bibliographique
Résumé
The purpose of this study was to quantify how shivering activity would be affected by large changes in fuel metabolism (see Haman F, Peronnet F, Kenny GP, Doucet E, Massicotte D, Lavoie C, and Weber J-M, J Appl Physiol 96: 000-000, 2004). Adult men were exposed to 10 degrees C for 2 h after a low-carbohydrate diet and exercise (Lo) and after high-carbohydrate diet without exercise (Hi). Using simultaneous metabolic and electromyographic (EMG) measurements, we quantified the effects of changes in fuel selection on the shivering activity of eight large muscles representing >90% of total shivering muscle mass. Contrary to expectation, drastic changes in fuel metabolism [carbohydrates 28 vs. 65% of total heat production (Hprod), lipids 53 vs. 23% Hprod, and proteins 19 vs. 12% Hprod for Lo and Hi, respectively] are achieved without altering the EMG signature of shivering muscles. Results show that total shivering activity and the specific contribution of each muscle to total shivering activity are not affected by large changes in fuel selection. In addition, we found that changes in burst shivering rate ( approximately 4 bursts/min), relative contribution of burst activity to total shivering ( approximately 10% of total shivering activity), and burst shivering intensity ( approximately 12% of maximal voluntary contraction) are the same between Lo and Hi. Spectral analysis of EMG signals also reveals that mean frequencies of the power spectrum remained the same under all conditions (whole body average of 78 +/- 5 Hz for Lo and 83 +/- 7 Hz for Hi). During low-intensity shivering, humans are therefore able to sustain the same thermogenic rate by oxidizing widely different fuel mixtures within the same muscle fibers.
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 ».