Determination of exercise modality employing serum metabolomics profiling in type 2 diabetes: relation to clinical outcomes
Notice bibliographique
Résumé
It is generally acknowledged that exercise training, both aerobic and resistance, is conducive to health and decreases chronic disease risk. However, little information exists on type of exercise that confers the greatest benefit. The purpose of this study is to use metabolomics strategy to i) interrogate the effects of exercise training modality on serum biochemistry and ii) compare changes in metabolomic profiles with clinical data (i.e. weight, BMI, HbA1c) to determine any correlation. Individuals with type 2 diabetes (n=40) were recruited as a part of the Diabetes Aerobic Resistance Exercise (DARE) study. After a 4‐week run‐in program, individuals were randomly assigned into one of four groups: control, aerobic, resistance or a combination of aerobic + resistance training for 22wk. Serum was collected at baseline and at 6mo. Serum samples were analyzed for metabolites using gas‐chromatography‐ mass spectrometry (GC‐MS) and Proton Nuclear Magnetic Resonance Spectroscopy (H1‐NMR). Changes in metabolism involved metabolites such as amino acids, organic acid, and carbohydrates. Aerobic exercise elevated the rate of tricarboxylic acid cycle and antioxidant activity, while resistance exercise lead to hypertrophy and urea markers. In summary, GC‐MS and NMR based metabolomics analysis proved to effectively reveal exercise modality and explain differential clinical outcomes between treatment groups.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».