Toward Sportomics: Shifting From Sport Genomics to Sport Postgenomics and Metabolomics Specialties. Promises, Challenges, and Future Perspectives
Notice bibliographique
Résumé
Together with experience, training, dietary intake, and other environmental factors, the biological and genetic makeup of an athlete play a major role in exercise physiology in terms of performance and outcomes.1 Sport genomics has shown that some DNA singlenucleotide polymorphisms can be associated with athlete level and performance (such as elite/world-class athletic status), having an impact on physical activity-related variables like endurance; strength; sprint; power; speed; flexibility; energetic expenditure; neuromuscular coordination; and respiratory, metabolic, and cardiorespiratory fitness, among others.Moreover, single-nucleotide polymorphisms have been shown to correlate with other parameters, including psychological traits. 2 The athletic phenotype is extremely complex and multifactorial, depending on the combination of different features and characteristics.3 On this basis, sport performance is a "complex science," like that of metadata and multiomics profiles.Several ambitious projects (like the Exercise at the Limit-Inherited Traits of Endurance [ELITE], GAMES, Gene Skeletal Muscle Adaptive Response to Training or Gene SMART, GEN-ATHLETE, Genetics of Elite Status in Sport or GENESIS, 1000 Athlomes, Super-Athletes, and POWERGENE trials) are aimed at discovering genomics-based biomarkers with an adequate predictive power.4 These projects are aimed at overcoming the major drawbacks that plagued previous investigations, generally relying on small and rather heterogeneous cohorts of athletes.Sport genomics could enable researchers, athletes, sport scientists, and coaches/managers to optimize and maximize physical performance and identify prevention strategies in the field of individual risk of sport-related injuries (like Achilles tendinopathy or rotator cuff pathologies).3 However, the athlete genome is only a pebble in the mosaic of sport physiology.3 Exercise has a profound impact also on the human proteome, for instance, finely tuning ATP-related pathways and mitochondrial protein synthesis, as well as proteins belonging to inflammation, antioxidation, anticoagulation, and iron.5 Moreover, exercise modulates transcription patterns and epigenetics, as well as metabolic profiles.All these different omics specialties (like sport genomics, epigenomics, transcriptomics, proteomics, and metabolomics/metabonomics) converge in a unique approach termed as "sportomics."3,6 Introduced for the first time by Brazilian scientist Cameron and colleagues, the word "metabolomics" can be defined as a holistic and top-down framework, characterizing all non-hypothesis-framed but data-driven research for systematically uncovering an individual's biomolecular changes during exercise and sport.6 Sportomics includes both genomics and postgenomics specialties and, comprehensively relying on the "athlete's biological passport" or profile, would enable the systematic study of sportinduced responses and adaptations at any level (genome, transcriptome, proteome, etc).3 This is the ambitious goal of the large collaborative initiative "Athlome Project Consortium," as stated in
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 | 0,016 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,015 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,008 |
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 ».