The importance of protein sources to support muscle anabolism in cancer: An expert group opinion
Notice bibliographique
Résumé
This opinion paper presents a short review of the potential impact of protein on muscle anabolism in cancer, which is associated with better patient outcomes. Protein source is a topic of interest for patients and clinicians, partly due to recent emphasis on the supposed non-beneficial effect of proteins; therefore, misconceptions involving animal-based (e.g., meat, fish, dairy) and plant-based (e.g., legumes) proteins in cancer are acknowledged and addressed. Although the optimal dietary amino acid composition to support muscle health in cancer is yet to be established, animal-based proteins have a composition that offers superior anabolic potential, compared to plant-derived proteins. Thus, animal-based foods should represent the majority (i.e., ≥65%) of protein intake during active cancer treatment. A diet rich in plant-derived proteins may support muscle anabolism in cancer, albeit requiring a larger quantity of protein to fulfill the optimal amino acid intake. We caution that translating dietary recommendations for cancer prevention to cancer treatment may be inadequate to support the pro-inflammatory and catabolic nature of the disease. We further caution against initiating an exclusively plant-based (i.e., vegan) diet upon a diagnosis of cancer, given the presence of elevated protein requirements and risk of inadequate protein intake to support muscle anabolism. Amino acid combination and the long-term sustainability of a dietary pattern void of animal-based foods requires careful and laborious management of protein intake for patients with cancer. Ultimately, a dietary amino acid composition that promotes muscle anabolism is optimally obtained through combination of animal- and plant-based protein sources.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».