Phenotypic and functional alterations in peripheral blood monocyte subpopulations following short-term physical training (117.32)
Notice bibliographique
Résumé
Abstract Regular exercise can reduce low-grade systemic inflammation contributing to the prevention of chronic disease. Phenotypic and functional alterations in monocyte (MO) subpopulations are implicated in antiinflammatory mechanisms of physical training. Peripheral blood was sampled from 10 healthy males (24.8±4.3 y) before and after short-term endurance training (6-d cycling 2-h/d, 65% VO2peak). Samples were examined by multicolour immunofluorescence staining and flow cytometry. CD14 and CD16 surface markers characterized 3 distinct MO subsets: classical (CD14++CD16-), intermediate (CD14++CD16+), and nonclassical (CD14+CD16++); the latter two being potent producers of inflammatory proteins. Coexpression of toll-like receptors (TLR2/4), intracellular cytokines (TNF-α, IL-8, IL-1ra, IL-10), nuclear factor (NF)-κB, and oxidative burst (Rho123) were quantified as changes in fluorescence intensity. Total MO counts dropped after training, with significant reductions in intermediate and nonclassical subsets. TNF-α and IL-8 expression decreased in nonclassical and intermediate MO, respectively, with no change in classical. Conversely, IL-10 and IL-1ra increased in classical and intermediate, but were unchanged in nonclassical MO. TLR2/4 were upregulated on all MO, whereas, NF-κB translocation and oxidative burst were suppressed. Our data indicate short-term training modulates the distribution and functional activity of specific MO subsets, consistent with a net antiinflammatory response.
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) | 0,000 | 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 ».