Acute, Exercise-Induced Alterations in Cytokines and Chemokines in the Blood Distinguish Physically Active and Sedentary Aging
Notice bibliographique
Résumé
Aging results in a chronic, proinflammatory state which can promote and exacerbate age-associated diseases. In contrast, physical activity in older adults improves whole body health, protects against disease, and reduces inflammation, but the elderly are less active making it difficult to disentangle the effects of aging from a sedentary lifestyle. To interrogate this interaction, we analyzed peripheral blood collected at rest and postexercise from 68 healthy younger and older donors that were either physically active aerobic exercisers or chronically sedentary. Subjects were profiled for 44 low-abundance cytokines, chemokines, and growth factors in peripheral blood. At rest, we found that regular physical activity had no impact on the age-related elevation in circulating IL-18, eotaxin, GRO, IL-8, IP-10, PDGF-AA, or RANTES. Similarly, there was no impact of physical activity on the age-related reduction in VEGF, EGF, or IL-12 (p70). However, older exercisers had lower resting plasma fractalkine, IL-3, IL-6, and TNF-α compared to sedentary older adults. In contrast to our resting characterization, blood responses following acute exercise produced more striking difference between groups. Physically active younger and older subjects increased over 50% of the analyzed factors in their blood which resulted in both unique and overlapping exercise signatures. However, sedentary individuals, particularly the elderly, had few detectable changes in response to exercise. Overall, we show that long-term physical activity has a limited effect on age-associated changes in basal cytokines and chemokines in the healthy elderly, yet physically active individuals exhibit a broader induction of factors postexercise irrespective of age.
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 ».