Natural killer cell lytic activity and CD56<sup>dim</sup>and CD56<sup>bright</sup>cell distributions during and after intensive training
Notice bibliographique
Résumé
The purpose of this study was to examine the impact of intensive training for competitive sports on natural killer (NK) cell lytic activity and subset distribution. Eight female college-level volleyball players undertook 1 mo of heavy preseason training. Volleyball drills were performed 5 h/day, 6 days/wk. Morning resting blood samples were collected before training (Pre), on the 10th day of training (During), 1 day before the end of training (End), and 1 wk after intensive training had ceased (Post). CD3(-)CD16(bright)CD56(dim) (CD56(dim) NK), CD3(-)CD16(dim/-)CD56(bright) NK (CD56(bright) NK), and CD3(+)CD16(-)CD56(dim) (CD56(dim) T) cells in peripheral blood were determined by flow cytometry. The circulating count of CD56(dim) NK cells (the predominant population, with a high cytotoxicity) did not change, nor did the counts for other leukocyte subsets. However, counts for CD56(bright) NK and CD56(dim) T cells (subsets with a lower cytotoxicity) increased significantly (P < 0.01) in response to the heavy training. Overall NK cell cytotoxicity decreased from Pre to End (P = 0.002), with a return to initial values at Post. Lytic units per NK cell followed a similar pattern (P = 0.008). Circulating levels of interleukin-6, interferon-gamma, and tumor necrosis factor-alpha remained unchanged. These results suggest that heavy training can decrease total NK cell cytotoxicity as well as lytic units per NK cell. Such effects may reflect in part an increase in the proportion of circulating NK cells with a low cytotoxicity.
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 | 0,000 | 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) | 0,001 | 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 ».