Tissue‐Specific Responses of Lipoprotein Lipase to Dietary Macronutrient Composition as a Predictor of Weight Gain Over 4 Years
Notice bibliographique
Résumé
This study evaluated if the effect of dietary macronutrient composition on adipose tissue lipoprotein lipase (ATLPL) and skeletal muscle lipoprotein lipase (SMLPL) predicted the long-term (over 4 years) changes in body weight and composition in free-living adults. Using a crossover design, 39 healthy subjects (n = 24 normal weight, n = 7 overweight, n = 8 obese) each followed a 2-week isocaloric high-carbohydrate (HC; 55% CHO:25% fat) and high-fat (HF; 30% CHO:50% fat) diet. On day 15 of each diet, biopsies were performed in the fasted state and 6 h after a meal. Body weight and composition were measured annually over 4 years. The outcomes for body weight, fat mass and % body fat were assessed using a linear two-stage mixed model. The mean (±SEM) increase in body weight and fat mass over 4 years was 0.29 ± 0.15 kg/year (P = 0.063) and 0.31 ± 0.15 kg/year (P = 0.051), respectively. The most consistent predictors of future body weight and fat changes were the ΔATLPL and ΔSMLPL responses (0-6 h) to a HC diet/meal. For the HC diet/meal, the subjects who had an increase in ATLPL activity/cell gained more % body fat over 4 years (P = 0.006) whereas subjects who had a decrease in SMLPL activity/g also had an increase in fat mass (P = 0.021). No significant relationships were observed between fasting ATLPL and SMLPL or enzyme responses to meals and any of the outcomes following the HF diet. In free-living adults the variability in tissue-specific lipoprotein lipase (LPL) responsiveness to a HC diet/meal predicts longitudinal changes in body composition.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».