Serum S100B level increases after running but not cycling exercise
Notice bibliographique
Résumé
The objective of this study was to investigate the effect of running versus cycling exercises upon serum S100B levels and typical markers of skeletal muscle damage such as creatine kinase (CK), aspartate aminotransferase (AST) and myoglobin (Mb). Although recent work demonstrates that S100B is highly expressed and exerts functional properties in skeletal muscle, there is no previous study that tries to establish a relationship between muscle damage and serum S100B levels after exercise. We conducted a cross-sectional study on 13 male triathletes. They completed 2 submaximal exercise protocols at anaerobic threshold intensity. Running was performed on a treadmill with no inclination (RUN) and cycling (CYC) using a cycle-simulator. Three blood samples were taken before (PRE), immediately after (POST) and 1 h after exercise for CK, AST, Mb and S100B assessments. We found a significant increase in serum S100B levels and muscle damage markers in RUN POST compared with RUN PRE. Comparing groups, POST S100B, CK, AST and Mb serum levels were higher in RUN than CYC. Only in RUN, the area under the curve (AUC) of serum S100B is positively correlated with AUC of CK and Mb. Therefore, immediately after an intense exercise such as running, but not cycling, serum levels of S100B protein increase in parallel with levels of CK, AST and Mb. Additionally, the positive correlation between S100B and CK and Mb points to S100B as an acute biomarker of muscle damage after running exercise.
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) | 0,002 | 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 ».