High-Intensity Interval Training Improves Markers of Oxidative Metabolism in Skeletal Muscle of Individuals With Obesity and Insulin Resistance
Notice bibliographique
Résumé
Background: The excess body fat characteristic of obesity is related to various metabolic alterations, which includes insulin resistance. Among the non-pharmacological measures used to improve insulin sensitivity are aerobic physical training, such as high intensity interval training (HIIT). This study investigated the effects of 8 weeks of HIIT on blood and skeletal muscle markers related to insulin resistance (IR) and oxidative metabolism in physically inactive individuals with obesity and compared the changes between insulin resistant and non-insulin resistant phenotypes. Methods: Nine non-insulin (OB) and eight insulin-resistant (OBR) volunteers with obesity completed 8 weeks of HIIT in a cycle ergometer. Venous blood and vastus lateralis muscle samples were obtained before and after the HIIT. Body composition and peak oxygen consumption (VO2peak) were estimated before and after HIIT. Results: HIIT reduced IR assessed by the homeostatic model assessment of insulin resistance (HOMA-IR) in OBR (4.4 ± 1.4 versus 4.1 ± 2.2 (mmol) (μU)/l2), but not in OB (HOMA-IR 1.8 ± 0.5 versus 2.3 ± 1.0 (mmol) (μU)/l2) volunteers. HIIT increased VO2peak with no change in body fat in both groups. In skeletal muscle, HIIT increased the phosphorylation of IRS (Tyr612), Akt (Ser473), and increased protein content of β-HAD and COX-IV in both groups. There was a reduction in ERK1/2 phosphorylation in OBR after HIIT. Conclusion: Eight weeks of HIIT improved markers of the insulin signaling pathway and increased the content of proteins related to oxidative metabolism in skeletal muscle of individuals with obesity, independent of changes in insulin resistance or total body fat.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».