Strategic Ingestion of High-Protein Dairy Milk during a Resistance Training Program Increases Lean Mass, Strength, and Power in Trained Young Males
Notice bibliographique
Résumé
Background: We evaluated the effects of high-protein dairy milk ingestion on changes in body composition, strength, power, and skeletal muscle regulatory markers following 6 weeks of resistance training in trained young males. Methods: Thirty resistance-trained young males (age: 27 ± 3 years; training experience: 15 ± 2 months) were randomly assigned to one of two groups: high-protein dairy milk (both whey and casein) + resistance training (MR; n = 15) or isoenergetic carbohydrate (maltodextrin 9%) + resistance training (PR; n = 15). Milk and placebo were ingested immediately post-exercise (250 mL; 30 g protein) and 30 min before sleep (250 mL; 30 g protein). Before and after 6 weeks of linear periodized resistance training (4 times/week), body composition (bioelectrical impedance), strength, power, and serum levels of skeletal muscle regulatory markers (insulin-like growth factor 1 (IGF-1), growth hormone, testosterone, cortisol, follistatin, myostatin, and follistatin–myostatin ratio) were assessed. Results: The MR group experienced a significantly higher (p < 0.05) increase in lean mass, strength, and power (upper- and lower-body) than the PR group. Further, IGF-1, growth hormone, testosterone, follistatin, and follistatin–myostatin ratio were significantly increased, while cortisol and myostatin significantly decreased in the MR group than the PR group (p < 0.05). Conclusions: The strategic ingestion of high-protein dairy milk (post-exercise and pre-sleep) during 6 weeks of resistance training augmented lean mass, strength, power, and altered serum concentrations of skeletal muscle regulatory markers in trained young males compared to placebo.
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 ».