290-OR: High-Intensity Interval Training and Moderate-Intensity Continuous Training Induce Similar Modifications to Factors Regulating Skeletal Muscle Lipolysis
Notice bibliographique
Résumé
Abnormalities in muscle lipid metabolism in obesity have been linked to insulin resistance. Exercise training alters skeletal muscle lipid abundance and localization, but the direct effects of exercise training (independent of weight loss) on skeletal muscle lipolytic proteins are not clearly understood, and data are lacking regarding influence of training intensity on factors regulating muscle lipid metabolism in obesity. Our aim was to examine the effects of high-intensity interval training (HIIT) vs. moderate-intensity continuous training (MICT) on skeletal muscle lipolytic proteins in obese humans. Eighteen sedentary, obese adults completed 12 weeks (4 sessions weekly) of either HIIT (10 x 1 min at 90% HRmax, 1 min recovery; n=8) or MICT (45 min at 70% HRmax; n=10). Muscle biopsies (vastus lateralis) were collected before and after training. Subjects maintained body weight and fat mass and the post-training biopsy occurred 3 days after the final exercise session. Both exercise training programs increased aerobic capacity (VO2max) by ~10% (p=0.003), with no significant difference between HIIT and MICT. In muscle samples, hormone-sensitive lipase (HSL) protein abundance increased ~2-fold after training in HIIT (P<0.05), but not MICT. Training did not affect muscle abundance of adipose triglyceride lipase (ATGL) in either group but interestingly, the abundance of both CGI-58 (a positive regulator of ATGL lipolytic activity) and G0S2 (a negative regulator of ATGL lipolytic activity) increased ~15-20% after training (p<0.02), with no difference between HIIT and MICT. In summary, HIIT and MICT result in similar modifications to lipolytic proteins in skeletal muscle, although our findings suggest that HIIT may be a more potent stimulus for increasing HSL abundance. Future work is needed to determine if the concomitant increases in protein abundance of CGI-58 and G0S2 with training may improve lipid handling in obesity. Disclosure B.J. Ryan: None. M.W. Schleh: None. P. Varshney: None. A. Ludzki: None. J.B. Gillen: None. K. Foug: None. B.D. Carr: None. J.F. Horowitz: Research Support; Self; American Diabetes Association. Funding National Institutes of Health (R01DK077966, P30DK089503, T32DK007245); Canadian Institutes of Health Research (DFS146190)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».