Impact of Breaking up of Sitting Time on Anti-inflammatory Response Induced by Extracellular Vesicles
Notice bibliographique
Résumé
Abstract: Physical inactivity and sedentary behaviors (SB) have promoted a dramatic increase in the incidence of a host of chronic disorders over the last century. The breaking up of sitting time (i.e., sitting to standing up transition) has been proposed as a promising solution in several epidemiological and clinical studies. In parallel to the large interest it initially created, there is a growing body of evidence indicating that breaking up prolonged sedentary time (i.e., > 7 h in sitting time) could reduce overall mortality risks by normalizing the inflammatory profile and cardiometabolic functions. Recent advances suggest that the latter health benefits, may be mediated through the immunomodulatory properties of extracellular vesicles. Primarily composed of miRNA, lipids, mRNA and proteins, these vesicles would influence metabolism and immune system functions by promoting M1 to M2 macrophage polarization (i.e., from a pro-inflammatory to anti-inflammatory phenotype) and improving endothelial function. The outcomes of interrupting prolonged sitting time may be attributed to molecular mechanisms induced by circulating angiogenic cells. Functionally, circulating angiogenic cells contribute to repair and remodel the vasculature. This effect is proposed to be mediated through the secretion of paracrine factors. The present review article intends to clarify the beneficial contributions of breaking up sitting time on extracellular vesicles formation and macrophage polarization (M1 and M2 phenotypes). Hence, it will highlight key mechanistic information regarding how breaking up sitting time protocols improves endothelial health by promoting antioxidant and anti-inflammatory responses in human organs and tissues.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».