Combinatory effects of siRNA-induced myostatin inhibition and exercise on skeletal muscle homeostasis and body composition
Notice bibliographique
Résumé
Abstract Inhibition of myostatin (Mstn) stimulates skeletal muscle growth, reduces body fat, and induces a number of metabolic changes. However, it remains unexplored how exercise training modulates the response to Mstn inhibition. The aim of this study was to investigate how siRNA-mediated Mstn inhibition alone but also in combination with physical activity affects body composition and skeletal muscle homeostasis. Adult mice were treated with Mstn-targeting siRNA and subjected to a treadmill-based exercise protocol for 4 weeks. Effects on skeletal muscle and fat tissue, expression of genes, and serum concentration of proteins involved in myostatin signaling, skeletal muscle homeostasis, and lipid metabolism were investigated and compared with Mstn(-/-) mice. The combination of siRNA-mediated Mstn knockdown and exercise induced skeletal muscle hypertrophy, which was associated with an upregulation of markers for satellite cell activity. SiRNA-mediated Mstn knockdown decreased visceral fat and modulated lipid metabolism similar to effects observed in Mstn(-/-) mice. Myostatin did not regulate its own expression via an autoregulatory loop, however, Mstn knockdown resulted in a decrease in the serum concentrations of myostatin propeptide, leptin, and follistatin. The ratio of these three parameters was distinct between Mstn knockdown, exercise, and their combination. Taken together, siRNA-mediated Mstn knockdown in combination with exercise stimulated skeletal muscle hypertrophy. Each intervention or their combination induced a specific set of adaptive responses in the skeletal muscle and fat metabolism which could be identified by marker proteins in serum.
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 ».