Daytime pattern of post-exercise protein intake affects whole-body protein turnover in resistance-trained males
Notice bibliographique
Résumé
Abstract Background The pattern of protein intake following exercise may impact whole-body protein turnover and net protein retention. We determined the effects of different protein feeding strategies on protein metabolism in resistance-trained young men. Methods Participants were randomly assigned to ingest either 80g of whey protein as 8x10g every 1.5h (PULSE; n=8), 4x20g every 3h (intermediate, INT; n=7), or 2x40g every 6h (BOLUS; n=8) after an acute bout of bilateral knee extension exercise (4x10 repetitions at 80% maximal strength). Whole-body protein turnover (Q), synthesis (S), breakdown (B), and net balance (NB) were measured throughout 12h of recovery by a bolus ingestion of [<sup>15</sup>N]glycine with urinary [<sup>15</sup>N]ammonia enrichment as the collected end-product. Results PULSE Q rates were greater than BOLUS (~19%, P<0.05) with a trend towards being greater than INT (~9%, P=0.08). Rates of S were 32% and 19% greater and rates of B were 51% and 57% greater for PULSE as compared to INT and BOLUS, respectively (P<0.05), with no difference between INT and BOLUS. There were no statistical differences in NB between groups (P=0.23); however, magnitude-based inferential statistics revealed likely small (mean effect±90%CI; 0.59±0.87) and moderate (0.80±0.91) increases in NB for PULSE and INT compared to BOLUS and possible small increase (0.42±1.00) for INT vs. PULSE. Conclusion We conclude that the pattern of ingested protein, and not only the total daily amount, can impact whole-body protein metabolism. Individuals aiming to maximize NB would likely benefit from repeated ingestion of moderate amounts of protein (~20g) at regular intervals (~3h) throughout the day.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 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 ».