Dietary Protein for Training Adaptation and Body Composition Manipulation in Track and Field Athletes
Notice bibliographique
Résumé
Track and field athletes engage in vigorous training that places stress on physiological systems requiring nutritional support for optimal recovery. Of paramount importance when optimizing recovery nutrition are rehydration and refueling which are covered in other papers in this volume. Here, we highlight the benefits for dietary protein intake over and above requirements set out in various countries at ∼0.8–1.0 g·kg body mass (BM) −1 ·day −1 for training adaptation, manipulating body composition, and optimizing performance in track and field athletes. To facilitate the remodeling of protein-containing structures, which are turning over rapidly due to their training volumes, track and field athletes with the goal of weight maintenance or weight gain should aim for protein intakes of ∼1.6 g·kg BM −1 ·day −1 . Protein intakes at this level would not necessarily require an overemphasis on protein-containing foods and, beyond convenience, does not suggest a need to use protein or amino acid-based supplements. This review also highlights that optimal protein intakes may exceed 1.6 g·kg BM −1 ·day −1 for athletes who are restricting energy intake and attempting to minimize loss of lean BM. We discuss the underpinning rationale for weight loss in track and field athletes, explaining changes in metabolic pathways that occur in response to energy restriction when manipulating protein intake and training. Finally, this review offers practical advice on protein intakes that warrant consideration in allowing an optimal adaptive response for track and field athletes seeking to train effectively and to lose fat mass while energy restricted with minimal (or no) loss of lean BM.
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 | 0,000 |
| 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 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 ».