Plasma Metabolite Profiles in Response to Chronic Exercise
Notice bibliographique
Résumé
PURPOSE: High-throughput profiling of metabolic status (metabolomics) allows for the assessment of small-molecule metabolites that may participate in exercise-induced biochemical pathways and corresponding cardiometabolic risk modification. We sought to describe the changes in a diverse set of plasma metabolite profiles in patients undergoing chronic exercise training and assess the relationship between metabolites and cardiometabolic response to exercise. METHODS: A secondary analysis was performed in 216 middle-age abdominally obese men and women (mean ± SD, 52.4 ± 8.0 yr) randomized into one of four groups varying in exercise amount and intensity for 6-month duration: high amount high intensity, high amount low intensity, low amount low intensity, and control. One hundred forty-seven metabolites were profiled by liquid chromatography-tandem mass spectrometry. RESULTS: No significant differences in metabolite changes between specific exercise groups were observed; therefore, subsequent analyses were collapsed across exercise groups. There were no significant differences in metabolite changes between the exercise and control groups after 24 wk at a Bonferroni-adjusted statistical significance (P < 3.0 × 10). Seven metabolites changed in the exercise group compared with the control group at P < 0.05. Changes in several metabolites from distinct metabolic pathways were associated with change in cardiometabolic risk traits, and three baseline metabolite levels predicted changes in cardiometabolic risk traits. CONCLUSIONS: Metabolomic profiling revealed no significant plasma metabolite changes between exercise and control after 24 wk at Bonferroni significance. However, we identified circulating biomarkers that were predictive or reflective of improvements in cardiometabolic traits in the exercise group.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».