Creatine Supplementation and Skeletal Muscle Metabolism for Building Muscle Mass- Review of the Potential Mechanisms of Action
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Creatine, a very popular supplement among athletic populations, is of growing interest for clinical applications. Since over 90% of creatine is stored in skeletal muscle, the effect of creatine supplementation on muscle metabolism is a widely studied area. While numerous studies over the past few decades have shown that creatine supplementation has many favorable effects on skeletal muscle physiology and metabolism, including enhancing muscle mass (growth/hypertrophy); the underlying mechanisms are poorly understood. This report reviews studies addressing the mechanisms of action of creatine supplementation on skeletal muscle growth/hypertrophy. Early research proposed that the osmotic effect of creatine supplementation serves as a cellular stressor (osmosensing) that acts as an anabolic stimulus for protein synthesis signal pathways. Other reports indicated that creatine directly affects muscle protein synthesis via modulations of components in the mammalian target of rapamycin (mTOR) pathway. Creatine may also directly affect the myogenic process (formation of muscle tissue), by altering secretions of myokines, such as myostatin and insulin-like growth factor-1, and expressions of myogenic regulatory factors, resulting in enhanced satellite cells mitotic activities and differentiation into myofiber. Overall, there is still no clear understanding of the mechanisms of action regarding how creatine affects muscle mass/growth, but current evidence suggests it may exert its effects through multiple approaches, with converging impacts on protein synthesis and myogenesis.
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.
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 | 0,000 | 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 découle