MétaCan
Menu
Retour à la cohorte
Enregistrement W4205326239 · doi:10.3389/fmolb.2021.815410

Molecular Big Data in Sports Sciences: State-of-Art and Future Prospects of OMICS-Based Sports Sciences

2022· review· en· W4205326239 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueFrontiers in Molecular Biosciences · 2022
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetics and Physical Performance
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésGenomicsMetabolomicsBiobankFlexibility (engineering)Sports scienceOmicsProteomicsAthletesData scienceBiologyComputational biologyBioinformaticsComputer scienceMedicinePhysiologyGenomeGeneticsPhysical therapy

Résumé

récupéré en direct d'OpenAlex

Together with environment and experience (that is to say, diet and training), the biological and genetic make-up of an athlete plays a major role in exercise physiology. Sports genomics has shown, indeed, that some DNA single nucleotide polymorphisms (SNPs) can be associated with athlete performance and level (such as elite/world-class athletic status), having an impact on physical activity behavior, endurance, strength, power, speed, flexibility, energetic expenditure, neuromuscular coordination, metabolic and cardio-respiratory fitness, among others, as well as with psychological traits. Athletic phenotype is complex and depends on the combination of different traits and characteristics: as such, it requires a "complex science," like that of metadata and multi-OMICS profiles. Several projects and trials (like ELITE, GAMES, Gene SMART, GENESIS, and POWERGENE) are aimed at discovering genomics-based biomarkers with an adequate predictive power. Sports genomics could enable to optimize and maximize physical performance, as well as it could predict the risk of sports-related injuries. Exercise has a profound impact on proteome too. Proteomics can assess both from a qualitative and quantitative point of view the modifications induced by training. Recently, scholars have assessed the epigenetics changes in athletes. Summarizing, the different omics specialties seem to converge in a unique approach, termed sportomics or athlomics and defined as a "holistic and top-down," "non-hypothesis-driven research on an individual's metabolite changes during sports and exercise" (the Athlome Project Consortium and the Santorini Declaration) Not only sportomics includes metabonomics/metabolomics, but relying on the athlete's biological passport or profile, it would enable the systematic study of sports-induced changes and effects at any level (genome, transcriptome, proteome, etc.). However, the wealth of data is so huge and massive and heterogenous that new computational algorithms and protocols are needed, more computational power is required as well as new strategies for properly and effectively combining and integrating data.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,974
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,282
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle