Changes to the Human Serum Proteome in Response to High Intensity Interval Exercise: A Sequential Top-Down Proteomic Analysis
Notice bibliographique
Résumé
Exercise has been shown to improve health status and prevent chronic diseases. In contrast, overtraining can lead to maladaptation and detrimental health outcomes. These outcomes appear to be mediated in part by released peptides and, potentially, alterations in protein abundances and their modified forms, termed proteoforms. Proteoform biomarkers that either predict the beneficial effects of exercise or indicate (mal)adaptation are yet to be elucidated. Thus, we assessed the influence of high-intensity interval exercise (HIIE) on the human serum proteome to identify novel exercise-regulated proteoforms. To this end, a top-down proteomics approach was used, whereby two-dimensional gel electrophoresis was used to resolve and differentially profile intact proteoforms, followed by protein identification via liquid chromatography-tandem mass spectrometry. Blood was collected from six young-adult healthy males, pre-exercise and 5 min and 1h post-exercise. Exercise consisted of a maximal cycle ergometer test followed by 8x1 min high-intensity intervals at 90% Wmax, with 1 min non-active recovery between intervals. Twenty resolved serum proteoforms changed significantly in abundance at 5 min and/or 1h post-HIIE, including apolipoproteins, serpins (protease inhibitors), and immune system proteins, known to have broad anti-inflammatory and antioxidant effects, involvement in lipid clearance, and cardio-/neuro-protective effects. This initial screening for potential biomarkers indicates that a top-down analytical proteomic approach may prove useful in further characterizing the response to exercise and in understanding the molecular mechanisms that lead to health benefits, as well as identifying novel biomarkers for exercise (mal)adaptation.
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 | 0,001 | 0,002 |
| 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 ».