High responders to resistance exercise training demonstrate differential regulation of skeletal muscle microRNA expression
Notice bibliographique
Résumé
MicroRNAs (miRNA), small noncoding RNA molecules, may regulate protein synthesis, while resistance exercise training (RT) is an efficient strategy for stimulating muscle protein synthesis in vivo. However, RT increases muscle mass, with a very wide range of effectiveness in humans. We therefore determined the expression level of 21 abundant miRNAs to determine whether variation in these miRNAs was able to explain the variation in RT-induced gains in muscle mass. Vastus lateralis biopsies were obtained from the top and bottom ∼20% of responders from 56 young men who undertook a 5 day/wk RT program for 12 wk. Training-induced muscle mass gain was determined by dual-energy X-ray absorptiometry, and fiber size was evaluated by histochemistry. The expression level of each miRNA was quantified using TaqMan-based quantitative PCR, with the analysis carried out in a blinded manner. Gene ontology and target gene profiling were used to predict the potential biological implications. Of the 21 mature miRNAs examined, 17 were stable during RT in both groups. However, miR-378, miR-29a, miR-26a, and miR-451 were differentially expressed between low and high responders. miR-378, miR-29a, and miR-26a were downregulated in low responders and unchanged in high responders, while miR-451 was upregulated only in low responders. Interestingly, the training-induced change in miR-378 abundance was positively correlated with muscle mass gains in vivo. Gene ontology analysis of the target gene list of miR-378, miR-29a, miR-26a, and miR-451, from the weighted cumulative context ranking methodology, indicated that miRNA changes in the low responders may be compensatory, reflecting a failure to "activate" growth and remodeling genes. We report, for the first time, that RT-induced hypertrophy in human skeletal muscle is associated with selected changes in miRNA abundance. Our analysis indicates that miRNAs may play a role in the phenotypic change and pronounced intergroup variation in the RT response.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
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 ».