Personalized Metabolomics for Predicting Glucose Tolerance Changes in Sedentary Women After High-Intensity Interval Training
Notice bibliographique
Résumé
High-intensity interval training (HIIT) offers a practical approach for enhancing cardiorespiratory fitness, however its role in improving glucose regulation among sedentary yet normoglycemic women remains unclear. Herein, multi-segment injection capillary electrophoresis-mass spectrometry is used as a high-throughput platform in metabolomics to assess dynamic responses of overweight/obese women (BMI > 25, n = 11) to standardized oral glucose tolerance tests (OGTTs) performed before and after a 6-week HIIT intervention. Various statistical methods were used to classify plasma metabolic signatures associated with post-prandial glucose and/or training status when using a repeated measures/cross-over study design. Branched-chain/aromatic amino acids and other intermediates of urea cycle and carnitine metabolism decreased over time in plasma after oral glucose loading. Adaptive exercise-induced changes to plasma thiol redox and orthinine status were measured for trained subjects while at rest in a fasting state. A multi-linear regression model was developed to predict changes in glucose tolerance based on a panel of plasma metabolites measured for naïve subjects in their untrained state. Since treatment outcomes to physical activity are variable between-subjects, prognostic markers offer a novel approach to screen for potential negative responders while designing lifestyle modifications that maximize the salutary benefits of exercise for diabetes prevention on an individual level.
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 | 0,002 | 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 ».